Example. Assume that we have a rela

Example. Assume that we have a relation r with
10 million rows over attributes A,. . . , F, and that we
want to find the frequent sets with the threshold 2 %.
Algorithm 1 randomly picks a small fraction s of r, say
20,000 rows, and keeps this sample s in main memory.
The algorithm can now, without any further database
activity, discover very efficiently sets that are frequent
in the sample.

ผลลัพธ์ (ไทย) 1:

ตัวอย่างการ สมมติว่า เรามี r เป็นความสัมพันธ์กับ
10 ล้านแถวเหนือคุณลักษณะ A, . ..., F และที่
ต้องหาชุดมัก มีขีดจำกัด 2 %.
Algorithm 1 ได้รับ s ส่วนเล็ก ๆ ของ r พูด
20, 000 แถว และเก็บตัวอย่าง s นี้ในหน่วยความจำหลักการ
อัลกอริทึมที่ไม่ฐานข้อมูลใด ๆ เพิ่มเติมตอนนี้
กิจกรรม ได้อย่างมีประสิทธิภาพชุดบ่อย
จากตัวอย่างได้

ผลลัพธ์ (ไทย) 2:

ตัวอย่าง สมมติว่าเรามี r ความสัมพันธ์ที่มี
10 ล้านแถวกว่าคุณลักษณะ, . . , F, และว่าเรา
ต้องการที่จะหาชุดบ่อยครั้งกับเกณฑ์ 2%
ขั้นตอนวิธีที่ 1 สุ่มหยิบเศษเสี้ยวเล็ก ๆ ของ s r พูด
20,000 แถวและเก็บตัวอย่างนี้ในหน่วยความจำหลัก
วิธีสามารถในขณะนี้โดยไม่ต้องเพิ่มเติมใด ๆ ฐาน
กิจกรรมที่ค้นพบได้อย่างมีประสิทธิภาพชุดที่มีบ่อย
ในกลุ่มตัวอย่าง

ผลลัพธ์ (ไทย) 3:

ตัวอย่าง สมมติว่าเรามีความสัมพันธ์ R กับ
10 ล้านแถวกว่าคุณลักษณะ . . . . . . . . , F , และเรา
ต้องการหาชุดบ่อยกับเกณฑ์ร้อยละ 2 .
ขั้นตอนวิธี 1 สุ่มหยิบเศษเล็ก ๆของ R , พูด
20 , 000 แถว และให้ตัวอย่างในหน่วยความจําหลัก นี้สามารถตอนนี้

กิจกรรมฐานข้อมูลโดยไม่ต้องเพิ่มเติมใด ๆที่ค้นพบมีประสิทธิภาพมากชุด บ่อย
ในตัวอย่าง