Basically association rule works in

Basically association rule works in two steps:
(1) Generating item sets that pass a minimum support
threshold.
(2) Generating rules that pass a minimum confidence
threshold.
Association Rule Mining (ARM) obtains a set of rules which
indicate that the consequent of a rule is likely to apply if the
antecedent applies [10]. To generate such rules, the first step is to
determine the support for sets of items (I) that may be present in
the data set, i.e., the frequency with which each combination of
items occurs. After eliminating those I for which the support fails
to meet a given minimum support threshold, the remaining large
“I” can be used to produce ARs of the form A  B, where A and
B are disjoint subsets of a large I. The ARs generated are usually
pruned according to some notion of confidence in each AR.
However to achieve this pruning, it is always necessary to first
identify the “large” I contained in the input data. This in turn
requires an effective storage structure. One of the efficient data
storage mechanisms for itemset storage is T-tree [15].

ผลลัพธ์ (ไทย) 1:

โดยทั่วไปกฎสมาคมทำงานสองขั้นตอน:(1) การสร้างสินค้าชุดที่ผ่านการสนับสนุนน้อยที่สุดขีดจำกัด(2) กฎฝ่ายผลิตที่ผ่านความเชื่อมั่นที่ต่ำสุดขีดจำกัดสมาคมกฎการทำเหมือง (ARM) เป็นชุดของกฎที่ได้รับซึ่งบ่งชี้ว่า เป็นกำหนดของกฎจะใช้ถ้าการมาก่อนใช้ [10] การสร้างกฎระเบียบดังกล่าว ขั้นตอนแรกคือการตรวจสอบการสนับสนุนสำหรับชุดงานของสินค้า (I) ที่อาจอยู่ในชุดข้อมูล เช่น ความถี่ซึ่งแต่ละชุดของรายการที่เกิดขึ้น หลังจากกำจัดเหล่านั้นฉันล้มเหลวซึ่งการสนับสนุนตามเกณฑ์การสนับสนุนขั้นต่ำที่กำหนด มีขนาดใหญ่ที่เหลือ"ฉัน" สามารถใช้ในการผลิตอาของฟอร์ม A B ที่ A และB คือ ตัวชุดย่อยของขนาดใหญ่ฉัน อาทที่สร้างมักตัดแต่งตามความคิดบางอย่างของความเชื่อมั่นในแต่ละปรางค์วัดอรุณอย่างไรก็ ตามเพื่อให้บรรลุนี้ตัด เสมอจำเป็นต้องแรกระบุ "ขนาดใหญ่" ฉันอยู่ในข้อมูลการป้อนข้อมูล นี้ในการเปิดต้องมีโครงสร้างการจัดเก็บที่มีประสิทธิภาพ ข้อมูลที่มีประสิทธิภาพอย่างใดอย่างหนึ่งกลไกการเก็บเก็บ itemset เป็น T-ต้น [15]

ผลลัพธ์ (ไทย) 2:

โดยทั่วไปกฎสมาคมการทำงานในขั้นตอนที่สอง:
(1) สร้างชุดรายการที่ผ่านการสนับสนุนขั้นต่ำ
. เกณฑ์
(2) การสร้างกฎที่ผ่านความเชื่อมั่นต่ำสุด
. เกณฑ์
สมาคมกฎก่อสร้าง (ARM) ได้รับชุดของกฎที่
แสดงให้เห็นว่าผลเนื่องมาจาก กฎมีแนวโน้มที่จะใช้ถ้า
ก่อนใช้ [10] ในการสร้างกฎระเบียบดังกล่าวเป็นขั้นตอนแรกคือการ
ตรวจสอบการสนับสนุนสำหรับชุดของรายการ (ฉัน) ที่อาจจะอยู่ใน
ชุดข้อมูลคือความถี่ที่รวมกันของแต่ละ
รายการที่เกิดขึ้น หลังจากที่ผมกำจัดที่สนับสนุนล้มเหลว
เพื่อให้ตรงกับเกณฑ์การสนับสนุนขั้นต่ำที่กำหนดส่วนที่เหลือขนาดใหญ่
"ฉัน" สามารถนำมาใช้ในการผลิตอัตราการป่วยของรูปแบบ? B ที่ A และ
B เป็นส่วนย่อยเคลื่อนของ I. ขนาดใหญ่อัตราการป่วยมักจะมีการสร้างขึ้น
ตัดแต่งตามความคิดของความเชื่อมั่นในแต่ละ AR บาง.
อย่างไรก็ตามเพื่อให้บรรลุการตัดแต่งกิ่งนี้ก็มักจะจำเป็นที่จะต้องแรก
ระบุ "ใหญ่" ผมมีอยู่ใน การป้อนข้อมูล ในทางกลับกัน
ต้องมีการจัดเก็บข้อมูลที่มีประสิทธิภาพโครงสร้าง หนึ่งในมีประสิทธิภาพข้อมูล
กลไกการจัดเก็บข้อมูลสำหรับการจัดเก็บ itemset เป็น T-ต้นไม้ [15]

ผลลัพธ์ (ไทย) 3:

โดยทั่วไปสมาคมปกครองผลงานในสองขั้นตอน :( 1 ) การสร้างรายการชุดที่ผ่านการสนับสนุนน้อยเกณฑ์( 2 ) การสร้างกฎที่ผ่านความเชื่อมั่นต่ำสุดเกณฑ์สมาคมการปกครอง MINING ( แขน ) ได้รับชุดของกฎที่พบว่าผลของกฎมีแนวโน้มที่จะใช้ถ้ามาก่อนใช้ [ 10 ] เพื่อสร้างกฎดังกล่าว ขั้นตอนแรกคือการหาการสนับสนุนสำหรับชุดของรายการ ( i ) ที่อาจจะอยู่ในชุดข้อมูล คือ ความถี่ที่แต่ละ การรวมกันของรายการที่เกิดขึ้น หลังจากกำจัดพวกหนู ซึ่งสนับสนุนจึงล้มเหลวเพื่อตอบสนองให้เกณฑ์สนับสนุนขั้นต่ำ ที่เหลือมาก" ฉัน " สามารถใช้ผลิตเป็นรูปแบบของ B ที่และบีจะไม่ต่อเนื่องจากของใหญ่ผมมักจะเป็นทางเลือกที่สร้างขึ้นตัดตามบางความคิดของความเชื่อมั่นในแต่ละปีที่ .อย่างไรก็ตามเพื่อให้บรรลุการตัดแต่งกิ่งนี้ มันเป็นเสมอจำเป็นก่อนระบุว่า " ใหญ่ " ผมอยู่ในค่าของข้อมูลนำเข้า นี้ในการเปิดต้องมีโครงสร้างการจัดเก็บที่มีประสิทธิภาพ หนึ่งในข้อมูลที่มีประสิทธิภาพกระเป๋ากลไก itemset จัดเก็บต้นไม้แบบที [ 15 ]