Given a frequent itemset L, the goa

Given a frequent itemset L, the goal when generating rules is to find all nonempty subsets that satisfy the minimum confidence requirement. If |L| = k, then
there are 2k2 candidate association rules. So, as in the frequent itemset generation,
we need to find ways to generate rules efficiently. For the Apriori Algorithm we can
generate candidate rules by merging two rules that share the same prefix in the rule
consequent.

ผลลัพธ์ (ไทย) 1:

กำหนด itemset บ่อย L เป้าหมายเมื่อสร้างกฎ find nonempty ย่อยทั้งหมดที่ตอบสนองความต้องการต่ำสุด confidence ถ้า |L| = k แล้วมี 2 k 2 กรรมการสมาคม ดังนั้น ในรุ่น itemset บ่อยเราต้องการ find วิธีการสร้างกฎ efficiently สำหรับอัลกอริทึม Apriori เราสามารถสร้างกฎผู้สมัคร ด้วยการผสานสองกฎที่ prefix เดียวกันในกฎตามมา

ผลลัพธ์ (ไทย) 2:

ที่ได้รับ L itemset บ่อยเป้าหมายเมื่อมีการสร้างกฎระเบียบคือการ fi ครั้งย่อยว่างทั้งหมดที่ตอบสนองความต้องการขั้นต่ำแย้งเชื่อ Fi ถ้า | L | = k แล้ว
มีกฎสมาคมผู้สมัคร 2k2 ดังนั้นในขณะที่รุ่น itemset บ่อย
เราต้อง fi ครั้งวิธีการสร้างกฎ ciently EF Fi สำหรับขั้นตอนวิธี Apriori เราสามารถ
สร้างกฎผู้สมัครโดยการรวมสองกฎที่ใช้ไฟก่อนเดียวกัน x ในกฎ
ที่เกิดขึ้น

ผลลัพธ์ (ไทย) 3:

ได้รับ itemset บ่อยผม เป้าหมายเมื่อสร้างกฎเพื่อถ่ายทอดทุกเซตย่อยที่ตรงกับครั้งที่สุดคอน จึง dence ความต้องการ ถ้า | ผม | = k ,
มีกฎสมาคม ผู้สมัคร 2k2 . ดังนั้น ในรุ่น itemset บ่อย
เราต้องถ่ายทอดและวิธีการสร้างกฎ EF จึง ciently . สำหรับขั้นตอนวิธีแบบเรา
สร้างกฎ กฎที่ผสานสองผู้สมัครร่วมกันก่อนจึง x ในกฎ

จาก .