Association rulesAssociation rule m

Association rules
Association rule mining [28] is a very popular data mining technique that extracts interesting
and hidden relations between various attributes in a large data set. Association
rule mining produces a set of rules that define the underlying patterns in the data set.
The associativity of two characteristics of accident is determined by the frequency of
their occurrence together in the data set. A rule A → B indicates that if A occurs then B
will also occur.
Given a data set D of n transactions where each transaction TЄ D. Let I = {I1, I2, … In}
is a set of items. An item set A will occur in T if and only if A ⊆ T. A → B is and association
rule, provided that A ⊂ I, B ⊂ I and A ∩ B = Ø.
Agrawal and Srikant [29] proposed an algorithm known as Apriori algorithm to find
the association rules from large datasets. The pseudo-code for traditional association
rule mining algorithm for frequent itemset generation is as follows

ผลลัพธ์ (ไทย) 1:

ข้อบังคับสมาคมเหมืองแร่กฎสมาคม [28] เป็นเทคนิคการทำเหมืองข้อมูลที่นิยมมากที่แยกที่น่าสนใจและความสัมพันธ์ที่ซ่อนอยู่ระหว่างคุณลักษณะต่าง ๆ ในชุดข้อมูลขนาดใหญ่ ความสัมพันธ์ของเหมืองแร่กฎสร้างชุดของกฎที่กำหนดรูปแบบการอ้างอิงในชุดข้อมูลเชื่อมโยงสองลักษณะของอุบัติเหตุเป็นไปตามความถี่ของเกิดร่วมกันในชุดข้อมูล กฎ→ B แสดงว่า ถ้า A เกิดขึ้นแล้ว Bจะเกิดขึ้นกำหนดชุดข้อมูล D n ธุรกรรมซึ่งแต่ละธุรกรรม TЄ D. ให้ฉัน = {I1, I2,... ใน}เป็นชุดของรายการ การตั้งค่าสินค้า A จะเกิดขึ้นใน T และ ถ้า⊆ต. → B เป็นสมาคมและกฎ ให้⊂ A ที่ฉัน B ⊂ฉันและ∩ B =Øอัลกอริทึมที่เรียกว่าอัลกอริทึม Apriori เพื่อค้นหาการนำเสนอสุดและ Srikant [29]กฎข้อบังคับจากชุดข้อมูลขนาดใหญ่ รหัสสำหรับความสัมพันธ์แบบหลอกอัลกอริทึมการทำเหมืองแร่กฎสำหรับรุ่น itemset บ่อยจะเป็นดังนี้

ผลลัพธ์ (ไทย) 2:

สมาคมกฎ
การทำเหมืองแร่กฎสมาคม [28] เป็นเทคนิคการทำเหมืองข้อมูลที่นิยมมากที่สารสกัดที่น่าสนใจ
และความสัมพันธ์ที่ซ่อนอยู่ระหว่างคุณลักษณะต่าง ๆ ในชุดข้อมูลขนาดใหญ่ สมาคม
เหมืองแร่กฎผลิตชุดของกฎที่กำหนดรูปแบบพื้นฐานในชุดข้อมูลได้.
การเชื่อมโยงกันของทั้งสองลักษณะของการเกิดอุบัติเหตุจะพิจารณาจากความถี่ของ
การเกิดขึ้นของพวกเขาอยู่ด้วยกันในชุดข้อมูล กฎ→เป็น B แสดงให้เห็นว่าถ้าเกิดขึ้นแล้ว B
ยังจะเกิดขึ้น.
ได้รับข้อมูลชุด D ของการทำธุรกรรม n ที่แต่ละรายการTЄ D. Let ฉัน = {I1, I2, ... ใน}
คือชุดของรายการ รายการตั้งจะเกิดขึ้นใน T ถ้าและเมื่อมีการ⊆ T. →เป็น B เป็นสมาคมและ
กฎต้องได้⊂ I, B ⊂ฉันและ A ∩ B = Ø.
Agrawal และ Srikant [29] เสนออัลกอริทึมที่รู้จักกัน เป็นขั้นตอนวิธี Apriori เพื่อหา
กฎสมาคมจากชุดข้อมูลขนาดใหญ่ หลอกรหัสสำหรับการเชื่อมโยงแบบดั้งเดิม
ขั้นตอนวิธีการทำเหมืองแร่กฎสำหรับการสร้าง itemset บ่อยมีดังนี้