Data Discretization and concept hie

Data Discretization and concept hierarchy generation are also forms of data reduction. The raw data are replaced by a smaller number of interval or concept labels. This simplifies the original data and makes the mining more efficient. The resulting patterns mined are typically easier to understand. Concept hierarchies are also useful for mining at multiple abstraction levels.
The rest of this section is organized as follows. First, normalization techniques are presented in Section 3.5.2. We then describe several techniques for data discretization, each of which can be used to generate concept hierarchies for numeric attributes. The techniques include binding (Section 3.5.3) and histogram analysis (Section 3.5.4), as well as cluster analysis, decision tree analysis, and correlation analysis (Section 3.5.5). Finally, Section 3.5.6 describes the automatic generation of concept hierarchies for nominal data.

Kết quả (Việt) 1:

Dữ liệu thế hệ phân cấp Discretization và khái niệm là hình thức của dữ liệu giảm. Các dữ liệu thô được thay thế bởi một số lượng nhỏ hơn của khoảng thời gian hoặc khái niệm nhãn. Điều này giúp đơn giản hoá dữ liệu ban đầu và làm cho việc khai thác hiệu quả hơn. Các mô hình kết quả khai thác thường dễ dàng hơn để hiểu. Khái niệm phân cấp cũng là hữu ích cho việc khai thác mỏ ở nhiều cấp độ trừu tượng.Phần còn lại của phần này được tổ chức như sau. Trước tiên, kỹ thuật bình thường được trình bày trong phần 3.5.2. Sau đó chúng tôi mô tả một số kỹ thuật cho dữ liệu discretization, mỗi trong số đó có thể được sử dụng để tạo ra khái niệm phân cấp cho số các thuộc tính. Các kỹ thuật bao gồm các ràng buộc (phần 3.5.3) và phân tích biểu đồ (phần 3.5.4), cũng như phân tích cụm, quyết định cây phân tích và phân tích tương quan (phần 3.5.5). Cuối cùng, phần 3.5.6 mô tả các thế hệ tự động của khái niệm phân cấp cho các dữ liệu trên danh nghĩa.

Kết quả (Việt) 2:

Dữ liệu rời rạc và hệ thống phân cấp khái niệm cũng là hình thức nén dữ liệu. Các dữ liệu thô được thay thế bởi một số lượng nhỏ các nhãn khoảng thời gian hay khái niệm. Điều này giúp đơn giản hoá các dữ liệu ban đầu và làm cho việc khai thác hiệu quả hơn. Các mô hình kết quả khai thác thường dễ hiểu hơn. Phân cấp khái niệm này cũng có ích cho khai thác ở nhiều cấp độ trừu tượng.
Phần còn lại của phần này được tổ chức như sau. Đầu tiên, các kỹ thuật bình thường được trình bày trong mục 3.5.2. Sau đó chúng tôi mô tả một số kỹ thuật để rời rạc hóa dữ liệu, mỗi trong số đó có thể được sử dụng để tạo ra hệ thống phân cấp khái niệm cho các thuộc tính số. Các kỹ thuật bao gồm các ràng buộc (mục 3.5.3) và phân tích biểu đồ (mục 3.5.4), cũng như phân tích cụm, phân tích cây quyết định, và phân tích tương quan (mục 3.5.5). Cuối cùng, mục 3.5.6 mô tả các thế hệ tự động của hệ thống phân cấp khái niệm cho dữ liệu danh nghĩa.