Система атрибутов и ценностей

Система атрибут -значение — это базовая структура представления знаний , состоящая из таблицы со столбцами, обозначающими «атрибуты» (также известные как «свойства», «предикаты», «функции», « измерения », «характеристики», « поля », «заголовки»). «или « независимые переменные » в зависимости от контекста) и « строки », обозначающие «объекты» (также известные как «сущности», «экземпляры», «экземпляры», «элементы», « записи » или « зависимые переменные »). Таким образом, каждая ячейка таблицы обозначает значение (также известное как «состояние») определенного атрибута конкретного объекта.

Пример системы атрибут-значение

Ниже приведен пример системы атрибут-значение. Он представляет собой 10 объектов (строк) и пять объектов (столбцов). В этом примере таблица содержит только целочисленные значения. В общем, система атрибут-значение может содержать любые данные, числовые или иные. Система атрибут-значение отличается от простого представления «списка функций» тем, что каждый объект в системе атрибут-значение может иметь диапазон значений (например, признак $P 1$ ниже, который имеет домен {0,1,2} ), а не просто присутствие или отсутствие ( Barsalou & Hale 1993 ).

Пример системы атрибут-значение
Объект	$P П1$	$П 2$	$P П3$	$P P4$	$P P5$
$О 1$	1	2	0	1	1
$Около 2$	1	2	0	1	1
$O О3$	2	0	0	1	0
$О 4$	0	0	1	2	1
$О 5$	2	1	0	2	1
$О, 6$	0	0	1	2	2
$О 7$	2	0	0	1	0
$Или 8$	0	1	2	2	1
$О 9$	2	1	0	2	2
$О 10$	2	0	0	1	0

Другие термины, используемые для обозначения «системы атрибутов и ценностей».

Системы атрибутов и ценностей широко распространены во многих различных источниках литературы и обсуждались под разными названиями:

Плоские данные
электронная таблица
Система атрибутов и ценностей (Зиарко и Шан, 1996).
Информационная система ( Павлак , 1981).
Система классификации (Зиарко, 1998).
Система представления знаний (Вонг и Зиарко, 1986).
Информационная таблица (Яо и Яо, 2002 г.)

См. также

Ссылки

Барсалу, Лоуренс В.; Хейл, Кристофер Р. (1993). «Компоненты концептуального представления: от списков функций к рекурсивным фреймам». В Ивене Ван Мехелене; Джеймс Хэмптон; Рышард С. Михальский; Питер Теунс (ред.). Категории и понятия: теоретические взгляды и индуктивный анализ данных . Лондон: Академическая пресса. стр. 97–144. ISBN 9780127141756 .
Павляк, Здислав (1991). Грубые множества: теоретические аспекты рассуждений о данных . Дордрехт: Клювер.
Жярко, Войцех; Шан, Нин (1996). «Метод вычисления всех максимально общих правил в системах атрибут-значение». Вычислительный интеллект . 12 (2): 223–234. дои : 10.1111/j.1467-8640.1996.tb00260.x . S2CID 7200948 .
Павляк, Здислав; Шан, Нин (1981). «Информационные системы: Теоретические основы» . Информационные системы . 6 (3): 205–218. дои : 10.1016/0306-4379(81)90023-5 .
Вонг, СКМ; Жярко, Войцех; Йе, Р. Ли (1986). «Сравнение приблизительных и статистических методов индуктивного обучения». Международный журнал человеко-машинных исследований . 24 : 53–72. дои : 10.1016/S0020-7373(86)80033-5 .
Джей Ти, Яо; Яо, ГГ (2002). «Введение правил классификации с помощью гранулярных вычислений». Материалы Третьей Международной конференции по грубым множествам и современным тенденциям в области вычислений (TSCTC'02) . Лондон, Великобритания: Springer-Verlag. стр. 331–338.
Ватанабэ, Сатоси (1985). Распознавание образов: человеческое и механическое . Нью-Йорк: Джон Уайли и сыновья.
Жярко, Войцех (1998). «Грубые наборы как методология интеллектуального анализа данных». В Полковском, Лех; Сковрон, Анджей (ред.). Грубые наборы в открытии знаний 1: Методология и приложения . Гейдельберг: Physica-Verlag. стр. 554–576.