Berikut merupakan pembahasan Jurnal mengenai relational database dengan jurnal yang berjudul "Menggabungkan Pengklasifikasi
Heterogen untuk Database Relasional"
Abstrak
Penggunaan praktis dari pembelajaran mesin semakin penting strategis dalam perusahaan
mencari bisnis intelijen. Namun, sebagian besar data perusahaan didistribusikan
di beberapa database relasional dengan Expert-dirancang skema. Menggunakan
teknik pembelajaran mesin tabel tunggal tradisional lebih data tersebut tidak
hanya dikenakan hukuman komputasi untuk mengkonversi ke bentuk datar
(mega-bergabung), bahkan manusia yang ditentukan informasi semantik hadir dalam
hubungan yang hilang. Dalam tulisan ini, kami menyajikan praktis, dua-fase
algoritma meta-klasifikasi hirarkis untuk database relasional dengan membagi
semantik dan menaklukkan pendekatan. Kami mengusulkan, teknik agregasi
prediksi rekursif lebih pengklasifikasi heterogen diterapkan pada tabel
database individu. Algoritma yang diusulkan dievaluasi pada tiga dataset
beragam, yaitu TPCH, PKDD dan UCI tolok ukur dan menunjukkan penurunan yang
cukup besar dalam waktu klasifikasi tanpa kehilangan akurasi prediksi.
Kami mengusulkan, algoritma
klasifikasi heterogen praktis untuk database relasional, menggunakan 2-fase
pendekatan meta-klasifikasi dengan mekanisme agregasi baru. Premis utama
kami adalah bahwa sejak kebanyakan database yang dirancang dengan baik oleh
para ahli, kita perlu menggunakan ini semantik implisit. Algoritma yang
disajikan memiliki heterogen klasifikasi dan metode menerapkannya pada hubungan
praktis database yang digunakan dalam kehidupan nyata. Untuk membuat ini
mungkin, kami telah disajikan teknik agregasi rekursif baru untuk menyusun
heterogen pengklasifikasi diterapkan di meja individu. Kami telah
menunjukkan baik peningkatan waktu pelatihan klasifikasi untuk TPCH dan
membuktikan bahwa tidak ada kehilangan akurasi karena agregasi. Kami juga
menunjukkan manfaat dari pendekatan kami atas upaya sebelumnya. Sebagai
langkah berikutnya, kita akan ingin memperpanjang teknik ini untuk memasukkan
auto-pemilihan kanan classifier di tingkat meja. Kedua, akurasi
klasifikasi dapat ditingkatkan dengan menghilangkan beberapa meja
non-kontribusi. Untuk ini, kita berencana untuk mengaitkan metrik entropi
dengan tabel database individu dan pilih subgraph yang tepat dari Bergabunglah
Grafik yang meminimalkan kehilangan informasi.
