Association rule learning (Agrawal,

Association rule learning (Agrawal, Imieliski, & Swami, 1993, 1996) is a descriptive data mining technique which attempts to discover interesting relations between variables in large databases using unsupervised learning. This technique is tackled with Apriori (Agrawal et al., 1993). This algorithm obtains association rule with the form X ? Y, where X and Yare itemsets.The set of all items in the domain of investigation,consisting of a set of transactions. Apriori considers that transactions correspond to training examples of a data set, an item is a binary feature, and itemsets are conjunctions of features. The quality of an association rule obtained by Apriori are defined by its confidence and support, i.e. Confidence of a rule is the conditional probability of Y given X: p(YjX), and Support of a rule is an estimate of the probability of itemset X [ Y: p(X  Y).

ผลลัพธ์ (ไทย) 1:

สมาคมกฎการเรียนรู้ (Agrawal, Imieliski และ สวามี 1993, 1996) เป็นเทคนิคการทำเหมืองข้อมูลคำอธิบายที่พยายามที่จะค้นพบน่าสนใจความสัมพันธ์ระหว่างตัวแปรในฐานข้อมูลขนาดใหญ่ที่ใช้เรียนรู้คอยกำกับ เทคนิคนี้มี tackled กับ Apriori (Agrawal et al. 1993) อัลกอริทึมนี้ได้รับกฎข้อบังคับแบบฟอร์ม X Y ซึ่ง X และ Yare itemsets ชุดของรายการทั้งหมดในโดเมนของสืบสวน ประกอบด้วยชุดของธุรกรรม Apriori พิจารณาว่า ธุรกรรมที่สอดคล้องกับการฝึกอบรมตัวอย่างของชุดข้อมูล สินค้าจะมีไบนารี และ itemsets เป็นสันธานของคุณสมบัติ กำหนด โดยความเชื่อมั่นและสนับสนุนคุณภาพของความสัมพันธ์ของกฎได้ โดย Apriori เช่นของกฎเป็นความน่าเป็นมีเงื่อนไขของ Y ที่ได้รับ x: p(YjX) และสนับสนุนของกฎคือ การประเมินความน่าเป็นของ itemset X [y: p (X Y)

ผลลัพธ์ (ไทย) 2:

กฎสมาคมการเรียนรู้ (Agrawal, Imieliski และสวามี 1993, 1996) เป็นเทคนิคการทำเหมืองข้อมูลเชิงพรรณนาซึ่งเป็นความพยายามที่จะค้นพบความสัมพันธ์ที่น่าสนใจระหว่างตัวแปรในฐานข้อมูลขนาดใหญ่โดยใช้การเรียนรู้ใกล้ชิด เทคนิคนี้เป็นความท้าทายที่มี Apriori (Agrawal et al., 1993) ขั้นตอนวิธีนี้ได้รับการเชื่อมโยงกับการปกครองรูปแบบ X? Y ที่ X และบก itemsets.The ชุดของรายการทั้งหมดในโดเมนของการสืบสวนประกอบด้วยชุดของการทำธุรกรรม Apriori พิจารณาแล้วเห็นว่าการทำธุรกรรมสอดคล้องกับตัวอย่างการฝึกอบรมของชุดข้อมูล, รายการเป็นคุณลักษณะไบนารีและ itemsets มีสันธานของคุณสมบัติ คุณภาพของกฎสมาคมที่ได้รับจาก Apriori จะถูกกำหนดโดยความเชื่อมั่นและการสนับสนุนของมันคือความเชื่อมั่นของการปกครองเป็นน่าจะเป็นเงื่อนไขของ Y รับ X: p (YjX) และการสนับสนุนจากกฎที่เป็นค่าประมาณของความน่าจะเป็นของ itemset เอ็กซ์ [Y: p (? X Y)

ผลลัพธ์ (ไทย) 3:

กฎความสัมพันธ์ ( Agrawal imieliski , และสวามี , 1993 , 1996 ) เป็นบรรยายเทคนิคเหมืองข้อมูลที่พยายามที่จะค้นพบความสัมพันธ์ที่น่าสนใจระหว่างตัวแปรในฐานข้อมูลขนาดใหญ่โดยใช้การเรียนรู้แบบไม่มีผู้สอน . เทคนิคนี้ tackled กับ aPriori ( Agrawal et al . , 1993 ) ขั้นตอนวิธีนี้ได้สมาคมปกครองด้วยรูปแบบ X ? y ที่ x และแย้ itemsets ชุดของรายการทั้งหมดในโดเมนของการสอบสวน ซึ่งประกอบด้วยชุดของการทำธุรกรรม แบบพิจารณาว่าธุรกรรมสอดคล้องกับการฝึกอบรมตัวอย่างของชุดข้อมูล รายการเป็นคุณลักษณะที่ไบนารีและ itemsets เป็นคำสันธานคุณสมบัติ คุณภาพของสมาคมได้แบบถูกกำหนดโดยกฎของความเชื่อมั่นและสนับสนุน คือ ความมั่นใจ ของ กฎคือ ความน่าจะเป็นมีเงื่อนไขของ Y ให้ X : P ( yjx ) และการสนับสนุนของกฎที่เป็นค่าประมาณของความน่าจะเป็นของ itemset x [ P ( x ( Y Y )