A. Association RulesMining associat

A. Association Rules
Mining association rules searches for interesting relationships among items in a given data set. It allows finding rules of the form If antecedent then (likely) consequent where antecedent and consequent are itemsets [6]. Itemset is set of one or more items. In our data set an example of item is: Grade = Average. Because, we are looking for items that characterize the grade of students, consequent has one item which is Grade = z where z is one value of the student grade such as Excellent, Very good, Good, Average. As part of association method, FPGrowth
algorithm is applied to the data set.
Figure 3 depicts a sample of association rules discovered from data for students with Average grade, with their support, confidence, and lift.
Figure 3: The Resulting Association rules
These rules are sorted by lift metric. The lift value is the ratio of the confidence of the rule and the expected confidence of the rule and it is used to measuring the interestingness of the rule [12]. The lift value of greater than 1 indicates a positive correlation between antecedent and
consequent and the occurrence of one implies the occurrence of the other. For example the first rule with lift is 1.396 means there is a high positive correlation between the antecedent poor
Matriculation, Khanyounis City, Adabi secondary school type, and the consequent graduate student Grade Average. With the lift value, we can measure the importance of a rule. The first
rule, with the highest lift which means highest correlation is the most important, and so on.
To interpret the rules in the association rules model, the first rule means that of the graduate students under study, 19% (support) are have gotten poor in the Matriculation, from
khanyounis city, Adabi in the secondary school type, and have gotten the Grade Average. There is an 75% probability (confidence, or certainty) that a student with Poor in the
Matriculation, and from khanyounis city, and with adabi in the sechondary school type will get the Grade Average, and so on.

ผลลัพธ์ (ไทย) 2:

A. สมาคมกฎ
กฎสมาคมเหมืองแร่การค้นหาสำหรับความสัมพันธ์ที่น่าสนใจในรายการในชุดข้อมูลที่ได้รับ จะช่วยให้การค้นหากฎของรูปแบบถ้ามาก่อนแล้ว (น่าจะ) ที่เกิดขึ้นมาก่อนและที่เป็นผลเนื่องมาเป็น itemsets [6] Itemset เป็นที่ตั้งของหนึ่งหรือมากกว่าหนึ่งรายการ ในข้อมูลของเราเป็นตัวอย่างของรายการคือเกรดเฉลี่ย = เพราะเรากำลังมองหารายการที่เป็นลักษณะเกรดของนักเรียนที่เกิดขึ้นมีรายการหนึ่งซึ่งเป็นชั้นประถมศึกษาปี = ซีซีที่เป็นค่าหนึ่งในนักเรียนชั้นประถมศึกษาเช่นดีเยี่ยม, ดีมาก, ดี, หน้าตาดี ในฐานะที่เป็นส่วนหนึ่งของวิธีการที่สมาคม FPGrowth
อัลกอริทึมที่ใช้กับชุดข้อมูล.
รูปที่ 3 แสดงให้เห็นตัวอย่างของกฎสมาคมค้นพบจากข้อมูลสำหรับนักเรียนที่มีเกรดเฉลี่ยด้วยการสนับสนุนของพวกเขาเชื่อมั่นและยก.
รูปที่ 3: ผลสมาคมกฎ
กฎเหล่านี้ จะเรียงตามตัวชี้วัดที่ลิฟท์ ค่าลิฟท์คืออัตราส่วนของความเชื่อมั่นของการปกครองและความเชื่อมั่นที่คาดหวังของการปกครองและเป็นที่ใช้ในการวัด interestingness ของการปกครอง [12] ค่าของลิฟท์มากกว่า 1 แสดงให้เห็นความสัมพันธ์เชิงบวกระหว่างก่อนและ
ผลที่ตามมาและการเกิดขึ้นของหนึ่งที่แสดงถึงการเกิดขึ้นของคนอื่น ๆ ตัวอย่างเช่นกฎข้อแรกมีลิฟท์เป็น 1.396 หมายความว่ามีความสัมพันธ์ทางบวกสูงระหว่างคนจนมาก่อน
บวช, Khanyounis ตีพิมพ์ Adabi โรงเรียนมัธยมและนักศึกษาระดับบัณฑิตศึกษาที่เกิดขึ้นเกรดเฉลี่ย ที่มีค่าลิฟท์เราสามารถวัดความสำคัญของการปกครอง ครั้งแรกของ
การปกครองที่มีลิฟท์ที่สูงที่สุดซึ่งหมายถึงความสัมพันธ์ที่สูงที่สุดคือสิ่งที่สำคัญที่สุดและอื่น ๆ .
การตีความกฎระเบียบในการเชื่อมโยงรูปแบบกฎกฎข้อแรกหมายความว่าของนักศึกษาระดับบัณฑิตศึกษาภายใต้การศึกษา, 19% (สนับสนุน) จะมี อากาศที่ไม่ดีในการบวชจาก
เมือง khanyounis, Adabi ในประเภทโรงเรียนมัธยมและได้รับเกรดเฉลี่ย มีความน่าจะเป็น 75% (ความเชื่อมั่นหรือความเชื่อมั่น) ที่นักเรียนที่มีแย่ใน
การบวชและจากเมือง khanyounis และมี adabi ในประเภทโรงเรียน sechondary จะได้รับเกรดเฉลี่ย, และอื่น ๆ

ผลลัพธ์ (ไทย) 3:

กฎ
สมาคมเหมืองแร่กฎการค้นหาความสัมพันธ์ที่น่าสนใจของรายการที่ระบุในข้อมูลสมาคม . . . จะช่วยให้ค้นหากฎของแบบฟอร์ม ถ้ามาก่อนแล้ว ( น่าจะ ) จากที่ไหนมาก่อนจึงจะ itemsets และ [ 6 ] itemset คือชุดของหนึ่งหรือมากกว่าหนึ่งรายการ ในข้อมูลชุดตัวอย่างของสินค้า = : เกรดเฉลี่ย เพราะเรากำลังมองหารายการที่จัดเกรดของนักศึกษา จึงมีรายการหนึ่งซึ่งเป็นเกรด = Z ที่ Z เป็นหนึ่งค่าของเกรดนักศึกษา เช่น ดีเยี่ยม ดีมาก ดี ปานกลาง เป็นส่วนหนึ่งของสมาคม fpgrowth
วิธีเพื่อใช้กับชุดข้อมูล .
รูปที่ 3 แสดงให้เห็นตัวอย่างของสมาคมกฎที่ค้นพบจากข้อมูลนักเรียนที่มีเกรดเฉลี่ย ด้วยการสนับสนุนของพวกเขาความเชื่อมั่น และยก
รูปที่ 3 : ผลสมาคมกฎ
กฎเหล่านี้จะเรียงตามระบบเมตริกยก ค่าลิฟท์ คือ อัตราส่วนของความเชื่อมั่นของกฎและคาดว่าความเชื่อมั่นของกฎ และมันถูกใช้เพื่อวัดความน่าสนใจของกฎ [ 12 ] ยกค่ามากกว่า 1 แสดงว่ามีความสัมพันธ์ทางบวกระหว่างมาก่อนและ
ผลและการเกิดขึ้นของหนึ่ง หมายถึง การเกิดของอื่น ๆ ตัวอย่างเช่นกฎข้อแรกกับยก 1.396 หมายถึงมีความสัมพันธ์กันสูงมาก่อนจนสอบไล่ khanyounis
, เมือง , adabi ระดับมัธยมศึกษา ประเภท และจากนักศึกษาปริญญาโท เกรดเฉลี่ย กับค่าลิฟท์ เราสามารถวัดความสำคัญของกฎ แรกกฎ
,ที่มีมากที่สุดที่ยกซึ่งหมายถึงความสัมพันธ์สูงสุดที่สำคัญมากที่สุด และ
ตีความกฎในรูปแบบสมาคมกฎ กฎแรกหมายความว่าของนักศึกษาระดับบัณฑิตศึกษาที่ศึกษา 19 % ( สนับสนุน ) ได้ไม่ดีในการสมัครเข้าเรียน จาก
khanyounis เมือง adabi ในประเภทโรงเรียนมัธยม และได้รับเกรดเฉลี่ย มี 75 % ความน่าจะเป็น ( มั่นใจหรือความแน่นอนว่านักเรียนที่ยากจนใน
สอบไล่ และจาก khanyounis เมืองและมี adabi ในประเภทโรงเรียน sechondary จะได้รับเกรดเฉลี่ย และ