Ανάλυση πραγματικών δεδομένων με την χρήση ερωτήσεων κορυφογραμμής

Abstract

Η προβληματική του προσδιορισμού της βέλτιστης επιλογής αφορά την πλειονότητα των εκφάνσεων της ραγδαίως τεχνολογικά μεταβαλλόμενης καθημερινότητας. Ιδιαίτερα σε περιπτώσεις ύπαρξης πληθώρας προς εξέτασης διαστάσεων, πολύτιμος αρωγός στην εύρεση του συνόλου των αποδοτικότερων επιλογών διαφαίνεται η χρήση των επερωτημάτων κορυφογραμμής. Στην παρούσα διπλωματική διατριβή γίνεται χρήση πραγματικού συνόλου δεδομένων με σκοπό την εξέταση δυνατότητας άντλησης αξιόπιστων συμπερασμάτων μέσω της εφαρμογής εναλλακτικών μορφών επερωτημάτων κορυφογραμμής σε αυτό. Επιπροσθέτως λαμβάνει χώρα η αναφορά και η υλοποίηση μεθόδων αντιμετώπισης συνηθισμένων προκλήσεων που συνδέονται με πραγματικά δεδομένα όπως η έλλειψη τιμών και η εμφάνιση έκτοπων εγγραφών. Κατόπιν ακολουθεί πρόταση κατάλληλων τροποποιήσεων πάνω σε αλγοριθμικά μοντέλα υπολογισμού κορυφογραμμής με σκοπό την εφαρμογή εξεζητημένων επερωτημάτων πάνω στο επιλεχθέν σύνολο δεδομένων. Τέλος, μέσω της παράλληλης εποπτείας υπολογιστικών πόρων που διατίθενται κατά την διαδικασία προσδιορισμού της κορυφογραμμής, εξετάζεται η επίδραση διαφορετικών παραγόντων πάνω στις επιδόσεις του συστήματος.

The problematic of determining the most optimal choice pertains to the majority of the aspects of our technologically rapidly developing era. Especially when considering cases consisting of a plethora of dimensions that need to be examined, skyline queries are a valuable tool that can be used to determine the set of the most efficient options. In order to examine the possibility of achieving reliable conclusions through the application of skyline queries, the current thesis utilizes a real-world dataset of entries. In addition, various methods are presented and later implemented aiming to counteract common setbacks regarding real-world datasets such as missing values or the presence of outliers. Several modifications of known algorithmic models that are used to determine the skyline are also proposed in order to apply sophisticated queries on the chosen set of data. Finally, through the parallel monitoring of the resources which are being allocated while determining the skyline, the current thesis examines the effect that different factors may have on the system’s performance metrics.