20、函数依赖与多值依赖的嵌套列表范式

函数依赖与多值依赖的嵌套列表范式

1 引言

在数据库设计与开发过程中,数据的正确结构或设计是至关重要的。数据库模式应满足某些条件,以确保数据库在处理上没有困难。这些条件被称为范式,为数据库设计者提供了明确的指导方针,以避免具有冗余问题和更新异常的不良设计。Codd在早期的工作中引入了这样的范式,而函数依赖(FDs)和多值依赖(MVDs)则是其中重要的两类完整性约束。

函数依赖和多值依赖会导致数据表示中的冗余和更新异常等问题。为了解决这些问题,提出了Boyce-Codd范式(BCNF)和第四范式(4NF)。然而,随着数据模型的发展,尤其是嵌套关系数据模型、实体-关系模型、支持嵌套列表的数据模型以及XML等高级数据模型的出现,经典数据库设计问题需要重新审视。因此,有必要引入一种新的范式,即嵌套列表范式(Nested List Normal Form, NLNF),以适应这些新的数据格式。

2 函数依赖和多值依赖

2.1 函数依赖(FDs)

函数依赖是指在关系数据库中,一个属性集(X)唯一确定另一个属性集(Y)。形式上,如果对于关系模式R中的每个元组t1和t2,若t1[X] = t2[X],则t1[Y] = t2[Y],那么称X函数决定Y,记作X → Y。

2.2 多值依赖(MVDs)

多值依赖是指在关系数据库中,一个属性集(X)决定另一个属性集(Y)的值集合,而不是单个值。形式上,如果对于关系模式R中的每个元组t1和t2,若t1[X] = t2[X],则存在元组t3和t4,使得t3[X] = t4[X] = t1[X],且t3[Y] = t1[Y],t4[Y] = t2[Y],那么称X多值决定

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值