Let us suppose a data set Y={y1 ,y2

Let us suppose a data set Y={y1 ,y2, ..., ys} containing s categorical objects. This data set is divided into a training set YTR containing r objects and a test set YT={y1,y2, ..., ys-r} containing (s-r) objects. We assume that the decision rules X = {x1,x2, ..., xd} have already been extracted through the use of an appropriate data mining algorithm in the training set. The sets Y, YTR, YT and X are all evaluated in a family F = {a1 , a2, ..., an} of categorical attributes. Each categorical attribute describes only a part of the classification problem, and thus it is assigned with a weight that incorporates the degree of its importance in the classification process as a whole. Note that, depending on the algorithm, the extracted decision rules may have missing attribute values. Furthermore, apart from categorical data, the proposed method can also accommodate numerical data that can be transformed to categorical ones [35].

Results (Indonesian) 1:

Mari kita Misalkan sebuah set data Y = {y1, y2,..., ys} yang berisi benda-benda kategoris s. Kumpulan data ini terbagi menjadi serangkaian pelatihan YTR yang berisi benda-benda r dan tes mengatur YT = {y1, y2,..., ys-r} yang berisi benda-benda (s-r). Kita berasumsi bahwa keputusan aturan X = {x 1, x 2,..., xd} sudah telah diekstrak melalui algoritma pertambangan sesuai data di set pelatihan. Set Y, YTR, YT dan X semua dievaluasi dalam keluarga F = {a1, a2,...,} kategoris atribut. Setiap atribut kategoris menjelaskan hanya bagian dari klasifikasi masalah, dan dengan demikian hal ini ditugaskan dengan berat yang menggabungkan tingkat kepentingannya dalam proses klasifikasi secara keseluruhan. Perhatikan bahwa, tergantung pada algoritma, aturan diekstrak keputusan mungkin memiliki nilai-nilai atribut yang hilang. Selain itu, selain kategoris data, metoda yang diusulkan juga dapat menampung data numerik yang dapat mengubah kategoris yang [35].

Results (Indonesian) 2:

Mari kita misalkan data set Y = {y1, y2, ..., ys} mengandung s benda kategoris. Set data ini dibagi menjadi YTR training set yang berisi benda-benda r dan satu set tes YT = {y1, y2, ..., ys-r} mengandung (sr) obyek. Kami berasumsi bahwa aturan keputusan X = {x1, x2, ..., xd} telah diekstrak melalui penggunaan algoritma data mining yang tepat dalam training set. Set Y, YTR, YT dan X semua dievaluasi dalam keluarga F = {a1, a2, ..., an} atribut kategorikal. Setiap atribut kategorikal menggambarkan hanya bagian dari masalah klasifikasi, dan dengan demikian itu ditugaskan dengan berat yang menggabungkan tingkat pentingnya dalam proses klasifikasi secara keseluruhan. Perhatikan bahwa, tergantung pada algoritma, aturan keputusan yang diambil mungkin memiliki nilai atribut yang hilang. Selanjutnya, selain dari data kategori, metode yang diusulkan dapat juga menampung data numerik yang dapat diubah untuk yang kategoris [35].