Optimized feature construction methods for data summarization methods for data summarization of relational data
Terdapat banyak pendekatan telah dibangunkan untuk mendapat pengetahuan (iaitu maklumat yang berguna) daripada data yang disimpan di dalam pangkalan data berjadual. Penggabungan Dinamik Atribut Hubungan (Dynamic Aggregation of Relational Attributes - DARA) algoritma merupakan salah satu pendekatan d...
| Main Author: | |
|---|---|
| Format: | Thesis |
| Language: | English |
| Published: |
2014
|
| Subjects: | |
| Online Access: | http://umpir.ump.edu.my/id/eprint/12080/1/FLORENCE%20SIA%20FUI%20SZE.PDF |
| _version_ | 1796991085554171904 |
|---|---|
| author | Florence Sia, Fui Sze |
| author_facet | Florence Sia, Fui Sze |
| author_sort | Florence Sia, Fui Sze |
| collection | UMP |
| description | Terdapat banyak pendekatan telah dibangunkan untuk mendapat pengetahuan (iaitu maklumat yang berguna) daripada data yang disimpan di dalam pangkalan data berjadual. Penggabungan Dinamik Atribut Hubungan (Dynamic Aggregation of Relational Attributes - DARA) algoritma merupakan salah satu pendekatan diperkenalkan untuk merumuskan data yang disimpan di dalam jadual sasaran yang mempunyai hubungan satu-ke-banyak dengan data yang disimpan di dalam jadual bukan sasaran melalui proses transformasi daripada data hubungan perwakilan ke
ruang vektor perwakilan dan proses pengelompokan digunakan untuk mengumpulkan data berdasarkan persamaan ciri-ciri yang terdapat di dalam data. Hasil rumusan data akan dijadikan sebagai input data kepada mana-mana algoritma pengelasan untuk melaksanakan tugas klasifikasi. Klasifikasi merupakan satu tugas yang biasanya dilakukan untuk memperoleh pola dalam data yang boleh digunakan untuk pengelasan data yang baru. Di dalam DARA, ketepatan pengelasan data yang diperolehi daripada tugas klasifikasi boleh terjejas disebabkan oleh ketepatan deskritif rumusan data, DARA. Ketepatan deskritif rumusan data DARA adalah sangat dipengaruhi oleh perwakilan rekod bukan sasaran dalam bentuk model
ruang vektor. Pembinaan attribut telah menunjukkan kemampuan untuk memperkayakan perwakilan rekod bukan sasaran dan dengan itu, meningkatkan ketepatan deskriptif rumusan data. Tetapi kaedah pembinaan attribut yang
digunakan di dalam DARA adalah tidak begitu berkesan kerana DARA tidak meneroka semua perwakilan rekod yang mungkin berpotensi tinggi untuk dihasilkan. Di dalam tesis ini, kaedah pembinaan attribut baru diperkenalkan dan persoalan sama ada ketepatan deskriptif rumusan data boleh mendapat manfaat daripada kaedah pembinaan attribut baru disiasat. Rangka kerja yang dicadangkan melibatkan pengunaan algoritma genetik serta beberapa Jenis kaedah pemarkahan attribut untuk mengoptimasikan proses pembinaan attribut. Tesis ini juga membentangkan kajian berkaitan dengan kaedah untuk meningkatkan ketepatan
deskriptif algoritma DARA melalui perumusan data secara gandaan. Keputusan empirik menunjukkan bahawa ketepatan pengelasan dapat ditingkatkan dan dengan itu, ketepatan deskriptif rumusan data boleh mendapat manfaat daripada
kaedah yang dicadangkan. Kaedah tersebut menyediakan ruang carian yang lebih luas untuk mendapatkan cara perwakilan yang lebih relevan bagi mewakili rekod di
dalam jadual bukan sasaran. |
| first_indexed | 2024-03-06T12:01:06Z |
| format | Thesis |
| id | UMPir12080 |
| institution | Universiti Malaysia Pahang |
| language | English |
| last_indexed | 2024-03-06T12:01:06Z |
| publishDate | 2014 |
| record_format | dspace |
| spelling | UMPir120802021-08-24T02:44:31Z http://umpir.ump.edu.my/id/eprint/12080/ Optimized feature construction methods for data summarization methods for data summarization of relational data Florence Sia, Fui Sze QA76 Computer software Terdapat banyak pendekatan telah dibangunkan untuk mendapat pengetahuan (iaitu maklumat yang berguna) daripada data yang disimpan di dalam pangkalan data berjadual. Penggabungan Dinamik Atribut Hubungan (Dynamic Aggregation of Relational Attributes - DARA) algoritma merupakan salah satu pendekatan diperkenalkan untuk merumuskan data yang disimpan di dalam jadual sasaran yang mempunyai hubungan satu-ke-banyak dengan data yang disimpan di dalam jadual bukan sasaran melalui proses transformasi daripada data hubungan perwakilan ke ruang vektor perwakilan dan proses pengelompokan digunakan untuk mengumpulkan data berdasarkan persamaan ciri-ciri yang terdapat di dalam data. Hasil rumusan data akan dijadikan sebagai input data kepada mana-mana algoritma pengelasan untuk melaksanakan tugas klasifikasi. Klasifikasi merupakan satu tugas yang biasanya dilakukan untuk memperoleh pola dalam data yang boleh digunakan untuk pengelasan data yang baru. Di dalam DARA, ketepatan pengelasan data yang diperolehi daripada tugas klasifikasi boleh terjejas disebabkan oleh ketepatan deskritif rumusan data, DARA. Ketepatan deskritif rumusan data DARA adalah sangat dipengaruhi oleh perwakilan rekod bukan sasaran dalam bentuk model ruang vektor. Pembinaan attribut telah menunjukkan kemampuan untuk memperkayakan perwakilan rekod bukan sasaran dan dengan itu, meningkatkan ketepatan deskriptif rumusan data. Tetapi kaedah pembinaan attribut yang digunakan di dalam DARA adalah tidak begitu berkesan kerana DARA tidak meneroka semua perwakilan rekod yang mungkin berpotensi tinggi untuk dihasilkan. Di dalam tesis ini, kaedah pembinaan attribut baru diperkenalkan dan persoalan sama ada ketepatan deskriptif rumusan data boleh mendapat manfaat daripada kaedah pembinaan attribut baru disiasat. Rangka kerja yang dicadangkan melibatkan pengunaan algoritma genetik serta beberapa Jenis kaedah pemarkahan attribut untuk mengoptimasikan proses pembinaan attribut. Tesis ini juga membentangkan kajian berkaitan dengan kaedah untuk meningkatkan ketepatan deskriptif algoritma DARA melalui perumusan data secara gandaan. Keputusan empirik menunjukkan bahawa ketepatan pengelasan dapat ditingkatkan dan dengan itu, ketepatan deskriptif rumusan data boleh mendapat manfaat daripada kaedah yang dicadangkan. Kaedah tersebut menyediakan ruang carian yang lebih luas untuk mendapatkan cara perwakilan yang lebih relevan bagi mewakili rekod di dalam jadual bukan sasaran. 2014 Thesis NonPeerReviewed application/pdf en http://umpir.ump.edu.my/id/eprint/12080/1/FLORENCE%20SIA%20FUI%20SZE.PDF Florence Sia, Fui Sze (2014) Optimized feature construction methods for data summarization methods for data summarization of relational data. Masters thesis, Universiti Malaysia Sabah (Contributors, UNSPECIFIED: UNSPECIFIED). |
| spellingShingle | QA76 Computer software Florence Sia, Fui Sze Optimized feature construction methods for data summarization methods for data summarization of relational data |
| title | Optimized feature construction methods for data summarization methods for data summarization of relational data |
| title_full | Optimized feature construction methods for data summarization methods for data summarization of relational data |
| title_fullStr | Optimized feature construction methods for data summarization methods for data summarization of relational data |
| title_full_unstemmed | Optimized feature construction methods for data summarization methods for data summarization of relational data |
| title_short | Optimized feature construction methods for data summarization methods for data summarization of relational data |
| title_sort | optimized feature construction methods for data summarization methods for data summarization of relational data |
| topic | QA76 Computer software |
| url | http://umpir.ump.edu.my/id/eprint/12080/1/FLORENCE%20SIA%20FUI%20SZE.PDF |
| work_keys_str_mv | AT florencesiafuisze optimizedfeatureconstructionmethodsfordatasummarizationmethodsfordatasummarizationofrelationaldata |