Association Rule Mining (ARM) obtai

Association Rule Mining (ARM) obtains a set of rules which indicate that the consequent of a rule is likely to apply if the antecedent applies.[1] To generate such rules, the first step is to determine the support for sets of items (I) that may be present in the data set, i.e., the frequency with which each combination of items occurs. After eliminating those I for which the support fails to meet a given minimum support threshold, the remaining large I can be used to produce ARs of the form A  B, where A and B are disjoint subsets of a large I. The ARs generated are usually pruned according to some notion of confidence in each AR. However to achieve this pruning, it is always necessary to first identify the “large” I contained in the input data. This in turn requires an effective storage structure. One of the efficient data storage mechanism for itemset storage is the T-tree.[2]

ผลลัพธ์ (ไทย) 1:

ความสัมพันธ์ของกฎการทำเหมือง (ARM) ได้รับชุดของกฎที่ระบุว่า เป็นกำหนดของกฎจะใช้ถ้านำมาก่อนที่ [1] ในการสร้างกฎระเบียบดังกล่าว ขั้นแรกคือการ ตรวจสอบการสนับสนุนสำหรับชุดงานของสินค้า (I) ที่อาจอยู่ในชุดข้อมูล เช่น ความถี่ที่แต่ละชุดของรายการที่เกิดขึ้น หลังจากกำจัดเหล่านั้นผมไม่ตรงตามเกณฑ์กำหนดขั้นต่ำสนับสนุนการสนับสนุน ขนาดใหญ่ที่เหลือได้ใช้ในการผลิตอาทแบบ B, A และ B ตัวเซ็ตย่อยของขนาดใหญ่ฉัน ปกติกำลังล้าง ARs ที่สร้างขึ้นตามความคิดบางอย่างของความเชื่อมั่นในแต่ละปรางค์วัดอรุณ อย่างไรก็ ตามเพื่อให้บรรลุนี้ตัด เสมอจำเป็นต้องแรก ระบุฉันอยู่ในข้อมูลการป้อนข้อมูล "ใหญ่" จะต้องมีโครงสร้างเก็บข้อมูลที่มีประสิทธิภาพ กลไกการจัดเก็บข้อมูลที่มีประสิทธิภาพสำหรับการจัดเก็บ itemset อย่างใดอย่างหนึ่งเป็นต้น T [2]

ผลลัพธ์ (ไทย) 2:

สมาคมกฎก่อสร้าง (ARM) ได้รับชุดของกฎที่แสดงให้เห็นว่าผลเนื่องมาจากกฎที่มีแนวโน้มที่จะใช้ถ้าก่อนนำไปใช้ได้. [1] เพื่อสร้างกฎระเบียบดังกล่าวเป็นขั้นตอนแรกคือการกำหนดสนับสนุนสำหรับชุดของรายการ (ฉัน ) ที่อาจจะอยู่ในชุดข้อมูลคือความถี่ที่รวมกันของรายการแต่ละเกิดขึ้น หลังจากที่ผมกำจัดที่สนับสนุนไม่เป็นไปตามเกณฑ์การสนับสนุนขั้นต่ำที่กำหนดส่วนที่เหลือขนาดใหญ่ผมสามารถนำมาใช้ในการผลิตอัตราการป่วยของรูปแบบ B ที่ A และ B เป็นส่วนย่อยเคลื่อนของ I. ขนาดใหญ่อัตราการป่วยสร้างขึ้น มักจะตัดตามความคิดของความเชื่อมั่นในแต่ละ AR บาง อย่างไรก็ตามเพื่อให้บรรลุการตัดแต่งกิ่งนี้มันเป็นสิ่งจำเป็นเสมอไปก่อนระบุ "ใหญ่" ผมอยู่ในการป้อนข้อมูล ในทางกลับกันต้องมีการจัดเก็บข้อมูลที่มีประสิทธิภาพโครงสร้าง หนึ่งในกลไกการจัดเก็บข้อมูลที่มีประสิทธิภาพสำหรับการจัดเก็บ itemset เป็น T-ต้นไม้. [2]

ผลลัพธ์ (ไทย) 3:

สมาคมการปกครอง MINING ( แขน ) ได้รับชุดของกฎที่ระบุว่าเป็นผลลัพธ์ของกฎมีแนวโน้มที่จะใช้ถ้าใช้มาก่อน [ 1 ] เพื่อสร้างกฎดังกล่าว ขั้นตอนแรกคือการตรวจสอบการสนับสนุนสำหรับชุดของรายการ ( i ) ที่อาจจะอยู่ในชุดข้อมูล คือ ความถี่ ซึ่งแต่ละชุดของรายการที่เกิดขึ้น หลังจากกำจัดพวกหนู ซึ่งสนับสนุนไม่เจอให้เกณฑ์สนับสนุนขั้นต่ำ ที่เหลือใหญ่ สามารถใช้ผลิตทางเลือกของรูปแบบ B ซึ่ง A และ B จะไม่ต่อเนื่องจากของขนาดใหญ่ . ARS สร้างขึ้นมักจะตัดตามบางความคิดของความเชื่อมั่นในแต่ละปีที่ . อย่างไรก็ตามเพื่อให้บรรลุการลิดกิ่ง นี้มันเป็นเสมอจำเป็นต้องระบุ " ใหญ่ " ผมอยู่ในค่าของข้อมูลนำเข้า นี้ในการเปิดจะต้องมีโครงสร้างการจัดเก็บที่มีประสิทธิภาพ หนึ่งในกลไกการจัดเก็บข้อมูลที่มีประสิทธิภาพสำหรับ itemset กระเป๋าเป็นต้นไม้แบบที [ 2 ]