Andere Kunden interessierten sich auch für
![Approccio basato sulla correlazione per nascondere elementi sensibili nel data mining]( "Approccio basato sulla correlazione per nascondere elementi sensibili nel data mining")
Approccio basato sulla correlazione per nascondere elementi sensibili nel data mining42,99 €![Data-Mining-Techniken]( "Data-Mining-Techniken")
Data-Mining-Techniken43,90 €![Approche basée sur la corrélation pour cacher des éléments sensibles dans l'exploration de données]( "Approche basée sur la corrélation pour cacher des éléments sensibles dans l'exploration de données")
Approche basée sur la corrélation pour cacher des éléments sensibles dans l'exploration de données42,99 €![Data Mining in Life Insurance Sector of India: A Model Based Approach]( "Data Mining in Life Insurance Sector of India: A Model Based Approach")
Data Mining in Life Insurance Sector of India: A Model Based Approach51,99 €![Tecniche di data mining]( "Tecniche di data mining")
Tecniche di data mining29,99 €![Data Mining and its Applications in Distance Education]( "Data Mining and its Applications in Distance Education")
Data Mining and its Applications in Distance Education38,99 €![Data Mining Techniques]( "Data Mining Techniques")
Data Mining Techniques29,99 €
Das Hauptziel des Data Mining ist die Extraktion von hochrangigen oder verborgenen Informationen aus großen Datenbanken. Neben dem Vorteil, nützliche Muster zu extrahieren, birgt es auch die Gefahr, dass sensible Informationen des Benutzers preisgegeben werden. Wir können die sensiblen Informationen des Benutzers verbergen, indem wir Privacy Preservation Data Mining (PPDM) verwenden. Im Data Mining ist das Assoziationsregel-Mining eine beliebte und gut erforschte Methode zur Entdeckung interessanter Beziehungen zwischen Variablen in großen Datenbanken. Da Assoziationsregeln ein Schlüsselwerkzeug für die Suche nach solchen Mustern sind, können bestimmte Assoziationsregeln als sensibel eingestuft werden, wenn ihr Offenlegungsrisiko über einem bestimmten Schwellenwert liegt. Die meisten Data-Mining-Ansätze zur Wahrung der Privatsphäre verwenden Unterstützung und Vertrauen. Der Autor dieses Buches schlägt einen korrelationsbasierten Ansatz vor, der andere Maßstäbe als Support und Konfidenz verwendet, wie z. B. die Korrelation zwischen Elementen in sensiblen Itemsets, um die sensiblen häufigen Itemsets zu verbergen. Spalten im Datensatz, die einen bestimmten Korrelationsschwellenwert aufweisen, werden für den Ausblendungsprozess berücksichtigt. Dieser Mechanismus wird als Pearson-Korrelationskoeffizienten-Wägungsmechanismus bezeichnet, der den Kompromiss zwischen Privatsphäre und Genauigkeit aufrechterhält.