대상 클래스를 대조 클래스에서 분류하는 클래스 구별 또는 비교 광산 특성화. 대상 및 대조 클래스는 동일한 차원 및 속성을 공유하는 경우 비교 가능해야 합니다. 예를 들어, 사람, 주소 및 요소의 세 가지 클래스는 비교할 수 없습니다. 그러나 지난 3년 동안의 매출은 비슷한 수준이며 컴퓨터 공학 후보자와 물리학 후보자도 마찬가지입니다.
개발된 기술은 여러 비교 가능한 클래스 간의 클래스 비교를 계속 관리할 수 있습니다. 예를 들어, 클래스 특성화를 위해 정의된 속성 일반화 프로세스는 일반화가 비교되는 모든 클래스 간에 동기적으로 구현되도록 변경할 수 있습니다. 이를 통해 일부 클래스의 속성을 유사한 추상화 수준으로 일반화할 수 있습니다.
예를 들어 2003년 판매 및 2004년 판매에 대한 AllElectronics 데이터가 제공되고 이 두 클래스를 비교할 수 있다고 가정합니다. 시, 도 또는 주 및 국가 수준에서 추상화된 차원 영역을 고려하십시오. 모든 데이터 클래스는 유사한 위치 수준으로 일반화되어야 합니다.
즉, 도시 수준, 책임 또는 국가 수준 또는 국가 수준으로 모두 동기적으로 일반화됩니다. 이것은 예를 들어 2003년 밴쿠버의 판매와 2004년 미국의 판매를 비교하는 것보다 더 유용합니다(즉, 모든 판매 데이터 세트가 여러 수준으로 일반화됨).
사용자는 선택 시 자동으로 선택한 항목과 동기식 비교를 포함하여 덮어쓸 수 있는 옵션이 있어야 합니다. 다음과 같은 몇 가지 절차가 있습니다 -
-
데이터 수집 − 데이터베이스의 관련 레코드 집합은 쿼리 처리에 의해 수집되며 이에 따라 대상 클래스와 대조되는 하나 또는 집합의 클래스로 분리됩니다.
-
측정기준 관련성 분석 − 여러 차원이 있는 경우 더 많은 분석을 위해 관련성이 높은 차원만 선택하기 위해 이러한 클래스에 차원 관련성 분석을 구현해야 합니다.
-
동기 일반화 − 일반화는 사용자 또는 전문가가 지정한 차원 임계값에 의해 관리되는 수준으로 대상 클래스에 구현되며, 이는 주요 대상 클래스 관계로 나타납니다.
-
파생 비교의 표시 − 결과 클래스 비교 설명은 테이블, 그래프 및 규칙의 형태로 예상할 수 있습니다. 이 프레젠테이션은 일반적으로 대상 및 대조 클래스 간의 비교를 반영하는 count%(백분율 수)를 포함하는 "대조" 측정을 포함합니다.
사용자는 드릴다운, 롤업 및 획득한 대상 및 대조 클래스에 대한 다양한 OLAP 작업을 사용하여 비교 설명을 조정할 수 있습니다.