3.5.1 Data Transformation Strategie

3.5.1 Data Transformation Strategies Overview
In data transformation, the data are transformed or consolidated into forms appropriate
for mining. Strategies for data transformation include the following:
1. Smoothing, work works store move noise from the data. Techniques include binning, regression, and clustering.
2. Attribute construction (or feature construction), where new attributes are con-structure and added from the given set of attributes to help the mining process.
3. Aggregation, where summary or aggregation operations are applied to the data. For example, the daily sales data may be aggregated so as to compute monthly and annual total amounts. This step is typically used in constructing a data cube for data analysis at multiple abstraction levels.
4. Normalization, where the attribute data are scaled so as to fall within a smaller range, such as −1.0 to 1.0, or 0.0 to 1.0.
5. Discretization, where the raw values of a numeric attribute (e.g., age) are replaced by interval labels (e.g., 0–10, 11–20, etc.) or conceptual labels (e.g., youth, adult, senior). The labels, in turn, can be recursively organized into higher-level concepts, resulting in a concept hierarchy for the numeric attribute. Figure 3.12 shows a concept hierarchy for the attribute price. More than one concept hierarchy can be defined for the same attribute to accommodate the needs of various users.
6. Concept hierarchy generation for nominal data, where attributes such as street can be generalized to higher-level concepts, like city or country. Many hierarchies for nominal attributes are implicit within the database schema and can be automatically defined at the schema definition level.

Kết quả (Việt) 1:

3.5.1 tổng quan về chiến lược chuyển đổi dữ liệuTrong chuyển đổi dữ liệu, dữ liệu được chuyển đổi hoặc hợp nhất thành các hình thức thích hợpcho khai thác mỏ. Chiến lược cho các dữ liệu chuyển đổi bao gồm:1. làm mịn, làm việc công việc lưu trữ chuyển tiếng ồn từ các dữ liệu. Kỹ thuật bao gồm binning, hồi qui, và cụm.2. thuộc tính xây dựng (hoặc tính năng xây dựng), thuộc tính mới và ở đâu con cấu trúc bổ sung từ tập hợp các thuộc tính để giúp đỡ trong quá trình khai thác mỏ.3. tập hợp, nơi tóm tắt hoặc tập hợp các hoạt động được áp dụng cho dữ liệu. Ví dụ, dữ liệu bán hàng hàng ngày có thể được tổng hợp để tính toán số tiền tất cả hàng tháng và hàng năm. Bước này thường được sử dụng trong việc xây dựng một khối dữ liệu cho các phân tích dữ liệu cấp độ nhiều trừu tượng.4. bình thường, nơi mà các thuộc tính dữ liệu được thu nhỏ lại để rơi trong một phạm vi nhỏ, chẳng hạn như −1.0 để 1.0 hoặc 0.0 đến 1.0.5. discretization, nơi các giá trị nguyên của một số thuộc tính (ví dụ: tuổi) được thay thế bởi khoảng nhãn (ví dụ: 0-10, 11-20, vv) hoặc khái niệm nhãn (ví dụ, thanh niên, người lớn cao cấp). Nhãn, lần lượt, có thể tổ chức thành các khái niệm cao cấp, kết quả là một khái niệm hệ thống phân cấp cho các thuộc tính số đệ quy. Con số 3.12 cho thấy một hệ thống phân cấp khái niệm để tính giá. Khái niệm nhiều hơn một hệ thống phân cấp có thể được xác định cho các thuộc tính tương tự để đáp ứng nhu cầu của người dùng khác nhau.6. khái niệm thế hệ phân cấp cho các dữ liệu trên danh nghĩa, nơi thuộc tính như street có thể được tổng quát hóa khái niệm cao cấp, giống như thành phố hay quốc gia. Nhiều phân cấp cho các thuộc tính trên danh nghĩa đều tiềm ẩn trong giản đồ cơ sở dữ liệu và có thể được tự động xác định ở cấp độ định nghĩa schema.

Kết quả (Việt) 2:

3.5.1 Dữ liệu chuyển đổi chiến lược Tổng quan
Trong chuyển đổi dữ liệu, dữ liệu được chuyển đổi, hợp nhất thành các hình thức thích hợp
cho khai thác mỏ. Chiến lược để chuyển đổi dữ liệu bao gồm những điều sau đây:
1. Smoothing, công việc làm việc tiếng ồn cửa hàng di chuyển từ dữ liệu. Các kỹ thuật gồm di chuyển chuột, hồi quy, và clustering.
2. Thuộc tính xây dựng (hoặc xây dựng tính năng), nơi mà các thuộc tính mới là con-cấu trúc và bổ sung từ các thiết lập cho các thuộc tính để giúp cho quá trình khai thác mỏ.
3. Tập hợp, nơi tóm tắt hoặc tập hợp các hoạt động được áp dụng cho các dữ liệu. Ví dụ, các dữ liệu bán hàng hàng ngày có thể được tổng hợp để tính toán tổng số tiền hàng tháng và hàng năm. Bước này thường được sử dụng trong việc xây dựng một khối dữ liệu để phân tích dữ liệu ở nhiều cấp độ trừu tượng.
4. Bình thường, nơi mà các dữ liệu thuộc tính được thu nhỏ để nằm trong một phạm vi nhỏ hơn, chẳng hạn như -1.0 đến 1.0, hoặc 0.0 đến 1.0.
5. Rời rạc, nơi các giá trị nguyên của một thuộc tính số (ví dụ, tuổi) được thay thế bằng nhãn khoảng thời gian (ví dụ, 0-10, 11-20, vv) hoặc nhãn khái niệm (ví dụ, thanh niên, người lớn, cao cấp). Các nhãn, lần lượt, có thể được đệ quy tổ chức thành các khái niệm cấp độ cao hơn, dẫn đến một hệ thống phân cấp khái niệm cho các thuộc tính số. Hình 3.12 cho thấy một hệ thống phân cấp khái niệm cho giá thuộc tính. Hơn một hệ thống phân cấp khái niệm có thể được định nghĩa cho thuộc tính tương tự để đáp ứng nhu cầu của người sử dụng khác nhau.
6. Hệ thống phân cấp khái niệm cho dữ liệu danh nghĩa, nơi mà các thuộc tính như đường phố có thể được khái quát các khái niệm cấp cao hơn, như thành phố hoặc quốc gia. Nhiều phân cấp cho các thuộc tính danh nghĩa là tiềm ẩn trong giản đồ cơ sở dữ liệu và có thể tự động xác định ở mức định nghĩa giản đồ.