4- маъруза doc

4.2. Oldingi ma’lumotlarga ishlov berish
Sifatli va sifatsiz ma’lumotlarni tahlil qilish mumkin. Bu holda ham boshqa
holatda ham natijaga erishiladi. Sifatli analiz ta’minoti uchun oldingi ma’lumotlarni
ishlash muhimdir, bu Data Mining jarayoni uchun muhim hisoblanadi.
Ma’lumotlar sifatliligi – bu belgi, mukammallik, aniqlik, o’z vaqtida
ma’lumotlarni izohlash erkinligidir.
Ma‘lumotlar yuqori sifatli va past sifatli bo’lishi mumkin, oxirgisi- ma’lumotlar
nopok(iflos) yoki “yomon” deb nomlanadi.
Past sifatli yoki yomon ma’lumotlar – bu biror ma’noga ega bo’lmagan,
aniqmas, amaliy qo’llash nuqtayi nazaridan foydali bo’lmagan ma’lumotlar.
Yomon ma’lumotlar bugun paydo bo’lmagan, ular sistema bilan birgalikda
paydo bo’ladi.
Yomon ma’lumotlarni turli tiplari tavsiflanadi, quyidagi sharoitlarga ko’ra
ajratiladi:
1. Yomon ma’lumotlar, avtomatik topish va tozalash mumkin bo’ladi.
2. Ma’lumotlar, vujudga kelishini bartaraf qilishi mumkin.
3. Ma’lumotlar, avtomatik topish va tozalash uchun yaroqsiz bo’ladi.
4. Ma’lumotlar, vujudga kelishini imkonsiz bartaraf etadi
Ayniqsa, yomon ma’lumotlar quyidagi ko’rinishlarda tarqaladi:
5. E’tiborsiz qolishi.
6. Ma’lumotlarni nusxalanishi.
7. Shovqinlar va otilishlar.
Biz o’tkazib yuborilgan ma’lumotlar bilan qanday to’g’ri harakat qilishimiz
kerak bo’ladi?
1. Ishlov berishda qoldirilgan ma’lumotlar bilan obyektlarni o’chirish
2. O’tkazib yuborilgan ma’lumotlar uchun yangi mohiyatni hisoblab chiqmoq
3. Jarayonni tahlil qilishda qoldirilgan ma’lumotlarni tashlab ketish
Nusxalangan ma’lumotlar bilan biz qanday to’g’ri harakat qilishimiz kerak?
Dublikatlarga ishlov berishda 2 ta variant mavjud. Birinchi variantda barcha
qayd
guruhlarini, saqlangan
dublikatlarni
o’chiriladi.
Bu shunday
holatda
foydalaniladiki, agar axborotga kafolatsiz dublikatni chaqirsa, uni qimmati tushadi.
Ikkinchi variant bitta kamdan-kam uchraydigan qaydda almashuvchi nusxalash
guruhlarini tashkil etadi.