Table 1 contains records about bank

Table 1 contains records about bank customers. After removing irrelevant attributes, each row represents the duplicate records and the count. The class attribute Rating contains the class frequency of credit rating. For example, 0G/4B represents 0 Good and 4 Bad. Suppose that the bank (the data owner) wants to releasethedatatoadataminingfirmforclassificationanalysis on Rating, but does not want the data mining firm to infer the bankruptcy state Discharged using the attributes Job and Country. For example, out of the 5 individuals with Job = Trader and Country = UK, 4 has the Discharged status. Therefore, the rule{Trader,UK}→ Discharged has support 5 and confidence 80%. If the data ownertoleratesnomorethan75%confidenceforthisinference, the data is not safe for release. In general, currently bankrupted customers have a bad rating and simply removing the Bankruptcy column loses too much information for the classification analysis.


A data owner wants to release a table to a data mining firm for classification analysis on Rating, but does not want the firm to infer the bankruptcy state Discharged using the attributes Job and Country

Kết quả (Việt) 1:

Bảng 1 chứa hồ sơ về khách hàng ngân hàng. Sau khi loại bỏ các thuộc tính không liên quan, mỗi hàng đại diện cho các hồ sơ trùng lặp và đếm. Thuộc tính lớp đánh giá có tần số lớp của xếp hạng tín dụng. Ví dụ, 0G/4B đại diện cho tình trạng tốt và 4 0. Giả sử rằng ngân hàng (chủ sở hữu dữ liệu) muốn releasethedatatoadataminingfirmforclassificationanalysis trên đánh giá, nhưng không muốn firm khai thác dữ liệu để suy ra nhà nước phá sản Discharged bằng cách sử dụng các thuộc tính công việc và quốc gia. Ví dụ, trong số những cá nhân 5 với công việc = thương nhân và quốc gia = UK, 4 có tình trạng Discharged. Do đó, quy tắc {nhà kinh doanh, Vương Quốc Anh} → Discharged đã hỗ trợ 5 và confidence 80%. Nếu dữ liệu ownertoleratesnomorethan75% confidenceforthisinference, dữ liệu không phải là an toàn cho phát hành. Nói chung, hiện đang bị phá sản nhất khách hàng có một đánh giá xấu và chỉ đơn giản là loại bỏ cột phá sản mất quá nhiều thông tin để phân tích classification.Một chủ sở hữu dữ liệu muốn phát hành một bảng để một công ty khai thác dữ liệu cho phân loại phân tích về đánh giá, nhưng không muốn công ty để suy ra nhà nước phá sản Discharged bằng cách sử dụng các thuộc tính công việc và quốc gia

Kết quả (Việt) 2:

Bảng 1 chứa hồ sơ về khách hàng của ngân hàng. Sau khi loại bỏ các thuộc tính không thích hợp, mỗi hàng đại diện cho các bản ghi trùng lặp và đếm. Các điểm thuộc tính class chứa lớp tần số xếp hạng tín dụng. Ví dụ, 0g / 4B đại diện cho 0 và 4 Tốt Xấu. Giả sử rằng các ngân hàng (chủ sở hữu dữ liệu) muốn releasethedatatoadatamining fi rmforclassi fi cationanalysis về Đánh giá, nhưng không muốn các dữ liệu khai thác fi rm để suy ra tình trạng phá sản thải ra bằng cách sử dụng thuộc tính công việc và Country. Ví dụ, trong số 5 cá nhân với công việc = Trader and Country = Anh, 4 có tình trạng xả. Do đó, các quy tắc {Trader, UK} → thải có hỗ trợ 5 và con fi dence 80%. Nếu dữ liệu ownertoleratesnomorethan75% con fi denceforthisinference, dữ liệu là không an toàn cho phát hành. Nói chung, các khách hàng hiện đang phá sản có một đánh giá xấu và cách loại bỏ các cột phá sản mất quá nhiều thông tin để phân tích fi cation phân loại. Một chủ dữ liệu muốn phát hành một bảng cho một công ty khai thác dữ liệu để phân tích phân loại về Đánh giá, nhưng không muốn các công ty để suy ra tình trạng phá sản thải ra bằng cách sử dụng thuộc tính công việc và Country