Proximity
Tomáš Gregorovič
Proximity
http: //kd I. cs. u mass. ed u/p roxi m ity
♦ systém pro dobývání znalostí z relačních dat
♦ open-source, Java
♦ vyvíjí laboratoř pro dobývání znalostí na University
of Amherst, Massachusetts
♦ správa dat - databázový server MonetDB http://www.monetdb.nl/
♦ open-source, multiplatformní
♦ vertikální databázový model
♦ relační databáze v podobě sítě
♦ objekty (Objects)
♦ vazby (Links) - orientované spojení mezi dvěma objekty
♦ kontejnery (Containers) - kolekce podgrafů sítě
♦ pro objekty, vazby i kontejnery
♦ umožňují reprezentovat různé typy objektů a odkazů v rámci jedné sítě
♦ typy - celé a desetinné číslo, řetězec, datum
♦ vícehodnotové - pro zaznamenání relačních atributů typu 1:N
♦ grafický dotazovací jazyk, pro přípravu dat pro dolování
♦ označkovaný graf - uzly odpovídají objektům, hrany vazbám
'profile
♦ omezující podmínky,      VeBy^ 10country"31.country=2) anotace rw*f
frienite = 1 [1..]
♦ výsledkem kontejner podgrafů splňujících dotaz
♦ pravděpodobnostní statistické modely
♦ skripty v Pythonu, Java API Proximity
♦ relační Bayesovský klasifikátor
♦ relační závislostní sítě
♦ relační pravděpodobnostní stromy RPT
♦ pravděpodobnostní rozhodovací strom, klasifikace atributu
♦ nastavení:
♦ soubor instancí pro učení - kontejner podgrafů
♦ soubor instancí pro testování
♦ třídní atribut centrálního objektu podgrafů
♦ zvolení uvažovaných atributů pro učení
♦ maximální hloubka, min. počet podgrafů v uzlu
♦ propozicionalizace relačních dat
=> vytváření atributových tabulek pomocí agregátových funkcí:
♦ průměr, počet, stupeň, součet 'minimum, maximum, majorita, proporce
♦ výběr atributu a binárního dělení uzlu stromu
♦ podle statistické metriky chi-squared
♦ pro zjištění významnosti dělení - p-hodnota
♦ rozhodovací strom
count ([profil e.interests] = 3)> = 1
■	
3:	7.27
2:	39.24
1:	115.29
0:	1.09
count.distinc tflprofile.in terests])> =4
■	
3:	51.51
2:	329.46
1:	400.76
0:	1.35
count ([profil e.interests] = 3)> = 1
				
3:	4.07		3:	123.06
2:	57.49		2:	1500.8
1:	108.77		1:	1197.19
0:	0.22		0:	11.34
♦ celková úspěšnost (accuracy)
♦ podle experimentálního pozorování
♦ lineární vzhledem k počtu podgrafů
♦ lineární vzhledem k počtu vytvořených atributových tabulek
♦ obvykle pro počet tabulek podle typu atributu platí:
obyčejný « vícehodnotový « atribut necentrálního objektu
♦ pouze binární větvení - růst hloubky, roste výpočetní náročnost, klesá přehlednost, těžší hledání zajímavých cest
♦ chybí automatické prořezávání výsledného stromu