The attribute-oriented generalizati

The attribute-oriented generalization method compresses the data set by replacing the attribute values with more general information in a form of a concept hierarchy. This procedure assumes that each attribute can be generalized independently of others thus, allowing large data sets to be efficiently generalized (Carter and Hamilton, 1998).
A tree structure is used in this method, with the most general concept is placed at the root of the tree while its particulars constitute the leaves (See Fig.2). For example in the Strokes data set, the attribute “Diag” represents the patient diagnostic codes and the attribute “Age” represents the age of patients. In the case of continuous attributes the leaves or nodes in concept hierarchies are represented as a range of values, as shown in Fig.2. The purpose of providing a set of concept hierarchies is to summarize the training data set Attribute-oriented generalization can be applied to either remove or generalize attributes. If an attribute has a large number of distinct values but no higher level concept associated with it, or its higher level concept has been represented by another attribute, then it can be removed. On the other hand, if an attribute has a corresponding concept hierarchy then its value can be replaced by relevant higher level attribute.

Hasil (Bahasa Indonesia) 1:

Metode berorientasi atribut generalisasi memampatkan data set dengan mengganti nilai atribut dengan lebih umum informasi dalam bentuk hierarki konsep. Prosedur ini mengasumsikan bahwa setiap atribut dapat generalized berdiri sendiri dengan demikian, memungkinkan kumpulan data besar untuk menjadi efisien generalized (Carter dan Hamilton, 1998).Struktur pohon digunakan dalam metode ini, dengan konsep paling umum ditempatkan pada akar pohon sementara khusus yang merupakan daun (Lihat Gbr.2). Misalnya dalam kumpulan data stroke, atribut "Diag" mewakili kode diagnostik pasien dan atribut "Usia" mewakili usia pasien. Dalam kasus terus-menerus atribut daun atau node dalam konsep hierarki direpresentasikan sebagai serangkaian nilai-nilai, seperti yang ditunjukkan dalam Gbr.2. Tujuan memberikan serangkaian konsep hierarki adalah untuk meringkas kumpulan data pelatihan generalisasi berorientasi atribut dapat diterapkan untuk menghapus atau menggeneralisasi atribut. Jika atribut memiliki sejumlah besar nilai-nilai yang berbeda tapi tidak ada konsep tingkat tinggi yang terkait dengan itu, atau konsep tingkat yang lebih tinggi telah diwakili oleh atribut lain, maka ini dapat dihapus. Di sisi lain, jika atribut memiliki hirarki konsep sesuai maka nilainya dapat digantikan oleh relevan atribut tingkat yang lebih tinggi.

Hasil (Bahasa Indonesia) 2:

Metode generalisasi atribut berorientasi kompres data diatur dengan mengganti nilai atribut dengan informasi yang lebih umum dalam bentuk hirarki konsep. Prosedur ini mengasumsikan bahwa setiap atribut dapat digeneralisasi secara independen dari orang lain sehingga, memungkinkan data yang besar set untuk secara efisien umum (Carter dan Hamilton, 1998).
Struktur pohon digunakan dalam metode ini, dengan konsep yang paling umum ditempatkan pada akar pohon sementara khusus yang merupakan daun (Lihat Gambar 2). Misalnya dalam kumpulan data Strokes, atribut "Diag" merupakan kode diagnostik pasien dan atribut "Umur" merupakan usia pasien. Dalam kasus atribut kontinyu daun atau node dalam hirarki konsep direpresentasikan sebagai rentang nilai, seperti yang ditunjukkan pada Gambar 2. Tujuan memberikan satu set hierarki konsep adalah untuk meringkas data training set generalisasi Atribut berorientasi dapat diterapkan untuk menghapus atau generalisasi atribut. Jika atribut memiliki sejumlah besar nilai yang berbeda tapi tidak ada konsep tingkat yang lebih tinggi terkait dengan itu, atau konsep tingkat lebih tinggi telah diwakili oleh atribut lain, maka dapat dihapus. Di sisi lain, jika atribut memiliki hirarki konsep yang sesuai maka nilainya bisa diganti dengan yang relevan atribut tingkat yang lebih tinggi.