Multirelational data mining aims to

Multirelational data mining aims to discover knowledge directly from relational data. There are different multirelational data mining tasks, including multirelational classi- fication, clustering, and frequent pattern mining. Multirelational classification aims to build a classification model that utilizes information in different relations. Multirela- tional clustering aims to group tuples into clusters using their own attributes as well as tuples related to them in different relations. Multirelational frequent pattern mining aims at finding patterns involving interconnected items in different relations. We first use multirelational classification as an example to illustrate the purpose and procedure of multirelational data mining. We then introduce multirelational classification and mul- tirelational clustering in detail in the following sections.
In a database for multirelational classification, there is one target relation, Rt , whose tuples are called target tuples and are associated with class labels. The other relations are nontarget relations. Each relation may have one primary key (which uniquely identifies tuples in the relation) and several foreign keys (where a primary key in one relation can
be linked to the foreign key in another). If we assume a two-class problem, then we pick one class as the positive class and the other as the negative class. The most important task for building an accurate multirelational classifier is to find relevant features in different relations that help distinguish positive and negative target tuples.

Results (Thai) 1:

การทำเหมืองข้อมูล multirelational มีเป้าหมายที่จะค้นพบความรู้โดยตรงจากข้อมูลเชิงสัมพันธ์ มีงานการทำเหมืองข้อมูลที่แตกต่างกัน multirelational รวมทั้ง multirelational classi จริงความสมบูรณ์, การจัดกลุ่มและการทำเหมืองแร่ในรูปแบบที่พบบ่อย การจัดหมวดหมู่ multirelational มีจุดมุ่งหมายเพื่อสร้างแบบจำลองการจัดหมวดหมู่ข้อมูลที่ใช้ในความสัมพันธ์ที่แตกต่างกันการจัดกลุ่ม multirela-tional มีวัตถุประสงค์เพื่อ tuples กลุ่มเป็นกลุ่มโดยใช้คุณสมบัติของตัวเองของพวกเขาเป็นสิ่งอันดับที่เกี่ยวข้องกับพวกเขาในความสัมพันธ์ที่แตกต่างกัน multirelational การทำเหมืองรูปแบบบ่อยจุดมุ่งหมายที่จะหารูปแบบที่เกี่ยวข้องกับรายการที่เชื่อมต่อกันในความสัมพันธ์ที่แตกต่างกัน ครั้งแรกที่เราใช้จำแนก multirelational เป็นตัวอย่างเพื่อแสดงให้เห็นวัตถุประสงค์และขั้นตอนของการทำเหมืองข้อมูล multirelationalจากนั้นเราจะแนะนำการจัดหมวดหมู่และการจัดกลุ่ม multirelational มุล-tirelational ในรายละเอียดในส่วนต่อไปนี้.
ในฐานข้อมูลสำหรับการจัดหมวดหมู่ multirelational มีความสัมพันธ์เป้าหมายหนึ่ง RT ซึ่งจะเรียกว่า tuples tuples เป้าหมายและมีความเกี่ยวข้องกับป้ายชื่อที่ชั้น ความสัมพันธ์อื่น ๆ ที่มีความสัมพันธ์ที่ไม่ใช่เป้าหมายแต่ละความสัมพันธ์อาจจะมีหนึ่งคีย์หลัก (ซึ่งไม่ซ้ำกันระบุสิ่งอันดับในความสัมพันธ์) และคีย์ต่างประเทศหลายคน (ที่เป็นคีย์หลักในความสัมพันธ์
สามารถจะเชื่อมโยงกับต่างประเทศที่สำคัญในการควบคุม) ถ้าเราคิดว่าเป็นปัญหาสองระดับแล้วเราเลือกหนึ่งชั้นเป็นชั้นที่เป็นบวกและอื่น ๆ ที่เป็นชั้นในแง่ลบงานที่สำคัญที่สุดสำหรับการสร้างลักษณนาม multirelational ที่ถูกต้องคือการหาคุณสมบัติที่เกี่ยวข้องในความสัมพันธ์ที่แตกต่างกันที่จะช่วยให้เห็นความแตกต่างในเชิงบวกและเชิงลบ tuples เป้าหมาย

Results (Thai) 2:

การทำเหมืองข้อมูล multirelational มีวัตถุประสงค์เพื่อค้นพบความรู้โดยตรงจากข้อมูลเชิงสัมพันธ์ มีงานทำเหมืองข้อมูลแตกต่างกัน multirelational, multirelational classi fication คลัสเตอร์ และทำเหมืองแร่รูปแบบบ่อย ประเภท multirelational มีวัตถุประสงค์เพื่อสร้างแบบจำลองการจัดประเภทที่ใช้ข้อมูลในความสัมพันธ์ที่แตกต่างกัน Multirela tional ระบบคลัสเตอร์เป้าหมายการ tuples กลุ่มเป็นคลัสเตอร์โดยใช้แอตทริบิวต์ของตนเองเช่นเดียวกับการ tuples เกี่ยวข้องกันในความสัมพันธ์ต่าง ๆ ทำเหมืองแร่รูปแบบบ่อย multirelational มีจุดมุ่งหมายที่ค้นหารูปแบบที่เกี่ยวข้องกับรายการเชื่อมต่อกันในความสัมพันธ์ที่แตกต่างกัน เราต้องการจัดประเภท multirelational เป็นตัวอย่างเพื่อแสดงวัตถุประสงค์และขั้นตอนของการทำเหมืองข้อมูล multirelational เราแนะแล้วนำประเภท multirelational และคลัสเตอร์ในรายละเอียดในต่อไปนี้ส่วน tirelational มูล
ในฐานข้อมูลการจัด multirelational มีความสัมพันธ์หนึ่งเป้าหมาย Rt, tuples เรียกว่าเป้าหมาย tuples และเกี่ยวข้องกับป้ายชื่อคลาส ความสัมพันธ์อื่น ๆ ที่มีความสัมพันธ์ nontarget แต่ละความสัมพันธ์อาจมีหลายคีย์และคีย์หลักหนึ่ง (ซึ่งประยุกต์ tuples ในความสัมพันธ์) (ที่สามารถคีย์หลักในความสัมพันธ์หนึ่ง
สามารถเชื่อมโยงกับคีย์อีก) ถ้าเราสมมติปัญหาสองชั้น แล้วเราเลือกชั้นหนึ่งเป็นชั้นบวกชั้นลบอื่น ๆ งานสำคัญที่สุดสำหรับการสร้าง classifier multirelational ที่ถูกต้องจะหาคุณลักษณะที่เกี่ยวข้องในความสัมพันธ์อื่นที่ช่วยแยกแยะ tuples เป้าหมายบวก และลบ

Results (Thai) 3:

การทำเหมืองแร่ข้อมูล multirelational มีความมุ่งมั่นที่จะสำรวจความรู้โดยตรงจากข้อมูลรายย่อย มีงานการทำเหมืองแร่ข้อมูล multirelational แตกต่างกันรวมถึง multirelational แบบคลาสสิก - Channel Account ในประเทศและมีการคลัสเตอร์การทำเหมืองแร่รูปแบบเป็นประจำ การแบ่ง ประเภท multirelational มีความมุ่งมั่นที่จะสร้างรุ่นการแบ่ง ประเภท ที่ใช้ข้อมูลในความสัมพันธ์ระหว่างกันระบบคลัสเตอร์ multirela - tional tuples กลุ่มมีความมุ่งมั่นที่จะเข้าไปในระบบคลัสเตอร์โดยใช้เองเป็นแอตทริบิวต์ tuples ของพวกเขาเป็นอย่างดีที่เกี่ยวข้องกับเขาในความสัมพันธ์ที่แตกต่าง การทำเหมืองแร่รูปแบบเป็นประจำ multirelational มีเป้าหมายอยู่ที่การหารูปแบบการให้รายการเชื่อมต่อเข้าถึงกันในความสัมพันธ์ระหว่างกัน เราใช้งานครั้งแรกการแบ่ง ประเภท multirelational เป็นตัวอย่างเพื่อแสดงให้เห็นถึงขั้นตอนและตามวัตถุประสงค์ของการทำเหมืองแร่ข้อมูล multirelationalจากนั้นเราจะนำระบบคลัสเตอร์การแบ่ง ประเภท multirelational และ mul - tirelational ในรายละเอียดในส่วนต่างๆต่อไปนี้.
ในฐานข้อมูลสำหรับการแบ่ง ประเภท multirelational มีความสัมพันธ์เป้าหมาย Rt ซึ่ง tuples เรียกว่า tuples เป้าหมายและจะมีการเชื่อมโยงกับฉลาก Class ความสัมพันธ์อื่นๆที่เป็นความสัมพันธ์ nontargetความสัมพันธ์แต่ละคนอาจมีหนึ่งสำคัญ(ซึ่งมีเอกลักษณ์เฉพาะตัวระบุ tuples ในความสัมพันธ์)และปุ่มต่างประเทศหลายรุ่น(ที่คีย์หลักที่หนึ่งในความสัมพันธ์สามารถ
ถูกเชื่อมโยงเข้ากับคีย์เงินตราต่างประเทศในอีก) ถ้าหากเราจะต้องเป็นผู้รับผิดชอบปัญหาสอง - class ที่แล้วเราจะรับท่านหนึ่ง - class ในระดับ First Class ในเชิงบวกและอื่นๆที่เป็นลบออกงานที่สำคัญมากที่สุดสำหรับการสร้างลักษณนาม multirelational ได้อย่างถูกต้องและแม่นยำในการค้นหาคุณสมบัติที่เกี่ยวข้องในความสัมพันธ์ที่แตกต่างกันไปช่วยสร้างความแตกต่าง tuples เป้าหมายในทางบวกและลบ