Sistema de atributos y valores

Un sistema de atributos y valores es un marco básico de representación del conocimiento que comprende una tabla con columnas que designan "atributos" (también conocidos como "propiedades", "predicados", "características", " dimensiones ", "dimensiones", " campos ", "encabezados" o " variables independientes ", según el contexto) y filas que designan "objetos" (también conocidos como "entidades", "instancias", "ejemplares", "elementos", " registros " o " variables dependientes "). Por lo tanto, cada celda de la tabla designa el valor (también conocido como "estado") de un atributo particular de un objeto particular.

A continuación se muestra un ejemplo de sistema atributo-valor. Representa 10 objetos (filas) y cinco características (columnas). En este ejemplo, la tabla contiene solo valores enteros. En general, un sistema atributo-valor puede contener cualquier tipo de datos, numéricos o de otro tipo. Un sistema atributo-valor se distingue de una simple representación de "lista de características" en que cada característica en un sistema atributo-valor puede tener un rango de valores (por ejemplo, la característica P ₁ a continuación, cuyo dominio es {0,1,2}), en lugar de simplemente estar presente o ausente ( Barsalou y Hale 1993 ) .

Los sistemas de atributos y valores están presentes en numerosas publicaciones y se han tratado bajo muchos nombres diferentes:

• Datos planos
• Hoja de cálculo
• Sistema atributo-valor (Ziarko y Shan 1996)
• Sistema de información ( Pawlak 1981)
• Sistema de clasificación (Ziarko 1998)
• Sistema de representación del conocimiento (Wong y Ziarko, 1986)
• Tabla informativa (Yao y Yao, 2002)

• redes bayesianas
• Modelo entidad-atributo-valor
• Análisis formal de conceptos
• Distribución conjunta
• Representación del conocimiento
• Clasificación óptima (en Wikilibros)
• Juego de piezas en bruto
• Tienda triple

• Barsalou, Lawrence W.; Hale, Christopher R. (1993). «Componentes de la representación conceptual: De las listas de características a los marcos recursivos». En Iven Van Mechelen; James Hampton; Ryszard S. Michalski; Peter Theuns (eds.). Categorías y conceptos: Perspectivas teóricas y análisis inductivo de datos . Londres: Academic Press. pp. 97–144 . ISBN  9780127141756.
• Pawlak, Zdzisław (1991). Conjuntos aproximados: Aspectos teóricos del razonamiento sobre datos . Dordrecht: Kluwer.
• Ziarko, Wojciech; Shan, Ning (1996). "Un método para calcular todas las reglas máximamente generales en sistemas atributo-valor". Inteligencia Computacional . 12 (2): 223– 234. doi : 10.1111/j.1467-8640.1996.tb00260.x . S2CID 7200948 . 
• Pawlak, Zdzisław; Shan, Ning (1981). "Sistemas de información: Fundamentos teóricos" . Sistemas de información . 6 (3): 205– 218. doi : 10.1016/0306-4379(81)90023-5 .
• Wong, SKM; Ziarko, Wojciech; Ye, R. Li (1986). "Comparación de métodos estadísticos y de conjuntos aproximados en el aprendizaje inductivo". International Journal of Man-Machine Studies . 24 : 53–72 . doi : 10.1016/S0020-7373(86)80033-5 .
• JT, Yao; Yao, YY (2002). "Inducción de reglas de clasificación mediante computación granular". Actas de la Tercera Conferencia Internacional sobre Conjuntos Aproximados y Tendencias Actuales en Computación (TSCTC'02) . Londres, Reino Unido: Springer-Verlag. pp. 331–338 . 
• Watanabe, Satosi (1985). Reconocimiento de patrones: humano y mecánico . Nueva York: John Wiley & Sons.
• Ziarko, Wojciech (1998). «Conjuntos aproximados como metodología para la minería de datos». En Polkowski, Lech; Skowron, Andrzej (eds.). Conjuntos aproximados en el descubrimiento del conocimiento 1: Metodología y aplicaciones . Heidelberg: Physica-Verlag. pp. 554–576 .