Implementation of the attribute significance analysis with the use of soft reduction of attributes in the rough set theory on the basis of the SQL mechanisms

• Autorzy: Nozdrzykowski Ł. , Nozdrzykowska M.
• Języki publikacji: EN

Abstrakty

EN

This article presents a way to use databases supporting the SQL and PL/SQL in the implementation of a method of attribute significance analysis with the use of soft reduction of attributes in the rough set theory. A number of SQL queries are presented, which facilitate the implementation. The original mechanisms presented previously [1] are supplemented with queries which facilitate the execution of attribute coding. The authors present a complete implementation of the method, from the coding of attributes to the determination of the significance of conditional attributes. Application of queries to the database eliminates the necessity to build data grouping and data mining mechanisms and calculation of repetitions of identical rules in the reduced decision rule space. Without the support of a database, the creation of universal data grouping and data mining mechanisms which could be used with any number of attributes is a challenging task.

Słowa kluczowe

EN

rough set theory; data analysis; soft reduction of attributes; SQL implementation

• Wydawca: Wydawnictwo PAK
• Czasopismo: Measurement Automation Monitoring
• Rocznik: 2017
• Tom: Vol. 63, No. 1
• Strony: 10--14
• Opis fizyczny: Bibliogr. 8 poz., wzory

Twórcy

autor

Nozdrzykowski Ł.

• Maritime University of Szczecin, Institute of Marine Technologies, 1-2 Wały Chrobrego St., 70-500 Szczecin, Poland

autor

Nozdrzykowska M.

• Maritime University of Szczecin, Institute of Marine Technologies, 1-2 Wały Chrobrego St., 70-500 Szczecin, Poland

Bibliografia

• [1] Nozdrzykowski Ł., Wróbel M.: The use of SQL as a tool supporting the implementation of a method of attribute significance analysis based on soft reduction of attributes in the rough set theory, TTS 12/2016.
• [2] Makowska M.: Analiza danych zastanych. Przewodnik dla studentów. Wydawnictwo Naukowe Scholar, 2003.
• [3] Hand D., Mannila H., Smyth P.: Principles of Data Mining, MIT Press, 2001.
• [4] Pawlak Z.: Zbiory przybliżone nowa matematyczna metoda analizy danych. In: Miesięcznik Politechniki Warszawskiej, no. 5/2004. http://bcpw.bg.pw.edu.pl/Content/1949/zb_przyb.pdf.
• [5] Łatuszyńska M., Wawrzyniak A., Wąsikowsk B., Galindo E., Sandoval J.: Teoria zbiorów przybliżonych w wykrywaniu reguł zachowań zakupowych kobiet i mężczyzn podczas kupowania telefonów komórkowych. Zeszyty Naukowe Uniwersytetu Szczecińskiego, Studia Informatica No. 35, 2014.
• [6] Piegat A.: Matematyka-zbiory przybliżone. Materiały do wykładów. Politechnika Szczecińska, Wydział Informatyki, Szczecin, 2007.
• [7] Żmuda K.: SQL, Jak osiągnąć mistrzostwo w konstruowaniu zapytań, Helion 2015.
• [8] Kaya F.: Discretizing continuous features for naïve Bayes and C4. 5 classifiers. University of Maryland publications, College Park, 2008.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).