Data mining aims to extract useful

Data mining aims to extract useful knowledge and patterns from existing data to solve a specific issue. To date, it has been used in many different fields, such as shopping cart analysis (Agrawal,Imielinksi, & Swami, 1993), network intrusions (Tajbakhsh,Rahmati, & Mirzaei, 2009), and stock market analysis (Au & Chan,2003; Hadavandi, Shavandi, & Ghanbari, 2010).

One common use is the mining of association rules from transaction data, i.e. an analysis of correlations between products purchased by customers.

The association rule is represented as A ? B, where A and B are common products, and the rule states that if product A is purchased, product B will be purchased together with it.

Two gauges are used to measure the validity of association rules, support and
confidence.

The earliest association rule mining was suggested by Agrawal et al. (1993), and the three main steps include: (1) produce candidate itemsets; (2) produce frequent itemsets based on minimum support; and (3) produce frequent itemsets based on minimum confidence.

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อมูลมีวัตถุประสงค์เพื่อดึงความรู้ที่เป็นประโยชน์และรูปแบบจากข้อมูลที่มีอยู่เพื่อแก้ปัญหาเฉพาะเจาะจง วันที่ มันได้ถูกใช้ในหลาย ๆ ด้าน เช่นช้อปปิ้งรถเข็นวิเคราะห์ (Agrawal, Imielinksi และ สวามี 1993), เครือข่ายรุก (Tajbakhsh, Rahmati, & Mirzaei, 2009), และการวิเคราะห์ตลาดหลักทรัพย์ (Au และจัน 2003 Hadavandi, Shavandi, & Ghanbari, 2010) ใช้งานทั่วไปหนึ่งคือ การทำเหมืองแร่ของข้อบังคับสมาคมจากธุรกรรมข้อมูล การวิเคราะห์ความสัมพันธ์ระหว่างสินค้าที่สั่งซื้อจากลูกค้าเช่นกฎเชื่อมโยงจะแสดงเป็น A B ที่ A และ B เป็นผลิตภัณฑ์ทั่วไป และกฎระบุว่า ถ้าซื้อสินค้า A, B ผลิตภัณฑ์จะซื้อร่วมกับมัน มาตรวัดที่สองที่ใช้ในการวัดความถูกต้องของข้อบังคับสมาคม การสนับสนุน และมั่นใจ แนะนำกฎเหมืองแรกสุดของสมาคมโดย Agrawal et al. (1993), และรวมถึงขั้นตอนหลักสาม: itemsets ผู้ผลิต (1) (2) ผลิตบ่อย itemsets อิงสนับสนุนขั้นต่ำ และ (3) ผลิตบ่อย itemsets อิงความเชื่อมั่นต่ำ

ผลลัพธ์ (ไทย) 2:

การทำเหมืองข้อมูลมีจุดมุ่งหมายที่จะดึงความรู้ที่มีประโยชน์และรูปแบบจากข้อมูลที่มีอยู่ในการแก้ปัญหาที่เฉพาะเจาะจง วันที่จะถูกนำมาใช้ในสาขาที่แตกต่างกันเป็นจำนวนมากเช่นรถเข็นวิเคราะห์ (Agrawal, Imielinksi และสวามี 1993), การบุกรุกเครือข่าย (Tajbakhsh, Rahmati และ Mirzaei 2009) และการวิเคราะห์การลงทุนในตลาดหุ้น (AU และจัน 2003. Hadavandi, Shavandi และ Ghanbari 2010) . หนึ่งในการใช้งานร่วมกันคือการทำเหมืองแร่ของกฎสมาคมจากข้อมูลการทำธุรกรรมเช่นการวิเคราะห์ความสัมพันธ์ระหว่างสินค้าที่ซื้อจากลูกค้ากฎสมาคมจะแสดงเป็น? B ที่ A และ B เป็นผลิตภัณฑ์ทั่วไปและกฎระบุว่าหากจะซื้อสินค้าผลิตภัณฑ์ B จะรับซื้อด้วยกันกับมัน. สองมาตรวัดที่ใช้ในการวัดความถูกต้องของกฎสมาคมการสนับสนุนและความเชื่อมั่น. กฎสมาคมที่เก่าแก่ที่สุด การทำเหมืองแร่ได้รับการแนะนำโดย Agrawal et al, (1993) และทั้งสามขั้นตอนหลัก ได้แก่ (1) การผลิต itemsets ผู้สมัคร; (2) การผลิต itemsets บ่อยขึ้นอยู่กับการสนับสนุนขั้นต่ำ และ (3) การผลิต itemsets บ่อยขึ้นอยู่กับความเชื่อมั่นต่ำสุด

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลมุ่งสกัดความรู้ที่เป็นประโยชน์และรูปแบบจากข้อมูลที่มีอยู่เพื่อแก้ไขปัญหาที่เฉพาะเจาะจง ในวันที่มันถูกใช้ในเขตข้อมูลต่าง ๆ มากมาย เช่น การวิเคราะห์รถเข็น ( imielinksi Agrawal และสวามี , 1993 ) การบุกรุกเครือข่าย ( tajbakhsh rahmati , และ mirzaei , 2009 ) , และการวิเคราะห์การลงทุนในตลาดหุ้น ( AU & ชาน , 2003 ; hadavandi shavandi & ghanbari , 2010 )หนึ่งทั่วไปใช้เป็นเหมืองของสมาคมกฎจากข้อมูลธุรกรรม เช่น การวิเคราะห์ความสัมพันธ์ระหว่าง การซื้อสินค้า โดยลูกค้าสมาคมการปกครองเป็นแสดงเป็น ? B ซึ่ง A และ B เป็นสินค้าทั่วไปและกฎระบุว่าหากผลิตภัณฑ์ที่ซื้อ ผลิตภัณฑ์ บีจะซื้อด้วยกันกับมัน2 เครื่องวัดที่ใช้วัดความถูกต้องของกฎสมาคม สนับสนุนและความมั่นใจกฎเก่าสมาคมเหมืองแร่เป็นข้อเสนอแนะโดย Agrawal et al . ( 1993 ) , และสามขั้นตอนหลัก ได้แก่ ( 1 ) ผลิต itemsets ผู้สมัคร ; ( 2 ) ผลิตบ่อย itemsets ขึ้นอยู่กับการสนับสนุนขั้นต่ำ และ ( 3 ) ผลิตบ่อย itemsets ขึ้นอยู่กับความเชื่อมั่นต่ำสุด