This algorithm consists of two part

This algorithm consists of two parts [11, 12]. The first part
finds frequent itemsets, second part identifies the rules. For
finding frequent itemsets following steps are followed:
Step 1: Scan all transactions and find all frequent items that have
support above s %.Let these frequent items be L.
Step 2: Build potential sets of k items from Lk-1 by using pairs
of itemsets in Lk-1 such that each pair has the first k-2 items in
common. Now the k-2 common items and the one remaining
item from each of the two itemsets are combined to form a kitemset.
The set of such potentially frequent k itemsets is the
candidate set Ck. (For k=2, we build the potential frequent pairs
by using the frequent itemset L1 appears with every other item
in L1. The set so generated is the candidate set C2)
Step 3: Scan all transactions and find all k-itemsets in Ck that
are frequent. The frequent set so obtained is L2. The first pass of
the Apriori algorithm simply counts item occurrences to
determine the large 1-itemsets. A subsequent pass, say pass k,
consists of two phases. First, the large itemsets Lk-1 found in the
(k-1)th pass are used to generate the candidate itemsets Ck,
using the apriori-gen function. Next, the database is scanned and
the support of candidates in Ck is counted. For fast counting, we
need to efficiently determine the candidates in Ck that are
contained in a given transaction t [11, 12].
For finding rules, the following straightforward algorithm is
used. Take a large frequent itemset, say l, and find each nonempty
subset a. For every such subset a, output a rule of the
form a  (l-a) if support (l) / support (a) satisfies minimum
confidence.
C. Frequent Pattern growth
FP-Growth is a two step approach which allows frequent itemset
discovered without candidate itemset generation.
Step 1: Build a compact data structure called the FP-tree. Build
using 2 passes over the data-set.
Step 2: Extracts frequent itemsets directly from the FP-tree
FP-Tree is constructed using 2 passes over the dataset
Pass-1: compresses a large database into a compact, Frequent
Pattern tree (FP-tree) structure.
Pass-2: develops an efficient, FP-tree based frequent pattern
mining.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมนี้ประกอบด้วยสองส่วน [11, 12] ส่วนแรกพบบ่อย itemsets ส่วนที่สองระบุกฎ สำหรับค้นหา itemsets บ่อยตามขั้นตอนต่อไปนี้:ขั้นตอน 1: สแกนธุรกรรมทั้งหมด และค้นหารายการบ่อยทั้งหมดที่มีสนับสนุนด้านบน s % ให้รายการเหล่านี้บ่อยครั้งเป็นลิตรขั้น 2: สร้างศักยภาพชุดรายการเคแอลเค 1 โดยคู่ของ itemsets ในแอล-1 ซึ่งแต่ละคู่มีรายการ k-2 แรกในทั่วไป ตอนนี้รายการทั่วไป k-2 และหนึ่งที่เหลือสินค้าจาก itemsets 2 มีรวมแบบ kitemsetชุดของ itemsets เช่น k บ่อยอาจเป็นการผู้ตั้ง Ck. (k = 2 เราสร้างคู่บ่อยอาจเกิดขึ้นโดย itemset บ่อย L1 ปรากฏขึ้นพร้อมกับสินค้าทุกใน L1 การตั้งค่าที่สร้างขึ้นเพื่อให้ เป็นผู้ตั้งค่า C2)ขั้น 3: สแกนธุรกรรมทั้งหมด และค้นหาทั้งหมด k-itemsets ต่าง ๆ ใน Ckเป็นประจำ บ่อยครั้งจึงได้รับการตั้งค่าเป็น L2 พาสแรกของอัลกอริทึม Apriori เพียงนับรายการนัดหมายให้กำหนด 1-itemsets ขนาดใหญ่ ผ่านมา พูดผ่าน kประกอบด้วย 2 ขั้นตอนดังนี้ พบครั้งแรก itemsets ใหญ่แอล-1 ในการ(k-1) th ผ่านใช้สร้างผู้สมัคร itemsets Ckใช้ฟังก์ชันพล apriori ถัดไป สแกนฐานข้อมูล และการสนับสนุนของผู้สมัครใน Ck จะนับ สำหรับการตรวจนับรวดเร็ว เราต้องพิจารณาผู้สมัครใน Ck ที่มีประสิทธิภาพอยู่ในรูปแบบธุรกรรมกำหนดให้ [11, 12] สำหรับการค้นหากฎ อัลกอริทึมตรงต่อไปนี้คือใช้ Itemset บ่อยใหญ่ พูด l และหา nonempty แต่ละชุดย่อย สำหรับชุดย่อยดังกล่าวทุกแบบ ออกแบบกฎของการแบบถ้า (l a) สนับสนุน (l) / สนับสนุน (a) เป็นขั้นต่ำมั่นใจเจริญเติบโตรูปแบบบ่อย C.เจริญเติบโตของ FP เป็นวิธีการสองขั้นตอนซึ่ง itemset บ่อยค้นพบ โดยผู้สมัคร itemset รุ่นขั้นตอน 1: สร้างโครงสร้างข้อมูลขนาดเล็กเรียกว่า FP-ต้นไม้ สร้างใช้ 2 ส่งผ่านชุดข้อมูลขั้น 2: แยกบ่อย itemsets โดยตรงจากต้น FPFP ต้นไม้ถูกสร้างโดยใช้บัตร 2 ชุดข้อมูลผ่าน-1: บีบอัดฐานข้อมูลขนาดใหญ่ในขนาดกะทัดรัด บ่อยรูปแบบโครงสร้างต้นไม้ (FP-ต้นไม้)ผ่าน-2: พัฒนาประสิทธิภาพ FP-ต้นไม้ใช้บ่อยรูปแบบเหมืองแร่

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมนี้ประกอบด้วยสองส่วน [11, 12] ส่วนแรก
พบ itemsets บ่อยส่วนที่สองระบุกฎ สำหรับ
การหา itemsets บ่อยขั้นตอนต่อไปนี้มีดังนี้
ขั้นตอนที่ 1: สแกนการทำธุรกรรมทั้งหมดและพบรายการที่พบบ่อยทั้งหมดที่มี
การสนับสนุนดังกล่าวข้างต้น s% ?. ให้รายการเหล่านี้บ่อยครั้งจะเป็นลิตร
ขั้นตอนที่ 2: สร้างชุดที่มีศักยภาพของรายการ K จาก LK-1 โดยใช้ คู่
ของ itemsets ใน LK-1 เช่นว่าแต่ละคู่มีคนแรกที่ K-2 รายการใน
ทั่วไป ตอนนี้ K-2 รายการที่พบบ่อยและเป็นหนึ่งในส่วนที่เหลืออีก
รายการจากแต่ละสอง itemsets จะรวมถึงรูปแบบ kitemset ได้.
ชุดดังกล่าว itemsets K ที่อาจเกิดขึ้นบ่อยคือ
ผู้สมัครชุด Ck (สำหรับ K = 2 เราสร้างคู่บ่อย ๆ ที่อาจเกิดขึ้น
โดยใช้ itemset บ่อย L1 ปรากฏขึ้นพร้อมกับทุกรายการอื่น ๆ
ใน L1 ชุดที่สร้างขึ้นเพื่อให้เป็น C2 ผู้สมัครชุด.)
ขั้นตอนที่ 3: สแกนการทำธุรกรรมทั้งหมดและหา K-itemsets ทั้งหมดใน Ck ที่
เป็นประจำ ชุดที่ได้รับบ่อยเพื่อให้เป็น L2 ผ่านแรกของ
อัลกอริทึม Apriori เพียงแค่นับเกิดขึ้นรายการที่จะ
ตรวจสอบขนาดใหญ่ 1 itemsets ผ่านไปตามมาพูดผ่าน K,
ประกอบด้วยสองขั้นตอน ครั้งแรกที่มีขนาดใหญ่ itemsets LK-1 ที่พบใน
(K-1) TH ผ่านที่ใช้ในการสร้างผู้สมัคร itemsets Ck,
ใช้ฟังก์ชัน aPriori-Gen ถัดไปฐานข้อมูลจะถูกสแกนและ
การสนับสนุนของผู้สมัครในการ Ck จะนับ สำหรับการนับอย่างรวดเร็วเรา
จำเป็นที่จะต้องมีประสิทธิภาพตรวจสอบผู้สมัครใน Ck ที่
มีอยู่ในการทำธุรกรรมที่กำหนด t [11, 12].
สำหรับการหากฎระเบียบขั้นตอนวิธีการตรงไปตรงมาต่อไปนี้ถูก
นำมาใช้ ใช้ itemset บ่อยขนาดใหญ่บอกว่า L และพบกันว่าง
ย่อย สำหรับกลุ่มย่อยดังกล่าวทุกคนออกกฎของ
รูปแบบหรือไม่? (LA) ถ้าการสนับสนุน (L) / Support (ก) การตอบสนองขั้นต่ำ
ความเชื่อมั่น.
ซี บ่อยครั้งการเจริญเติบโตแบบ
FP-การเจริญเติบโตเป็นวิธีการขั้นตอนที่สองซึ่งจะช่วยให้ itemset บ่อย
ค้นพบโดยไม่ต้องรุ่นผู้สมัคร itemset.
ขั้นตอนที่ 1: สร้างโครงสร้างข้อมูลที่มีขนาดกะทัดรัดที่เรียกว่า FP-ต้นไม้ สร้าง
โดยใช้ 2 ผ่านไปชุดข้อมูล.
ขั้นตอนที่ 2: สารสกัดจาก itemsets บ่อยโดยตรงจาก FP-ต้นไม้
FP-ต้นไม้ถูกสร้างโดยใช้ 2 ผ่านไปชุดข้อมูลที่
ผ่าน-1: บีบอัดฐานข้อมูลขนาดใหญ่เป็นขนาดกะทัดรัดบ่อย
ต้นไม้แบบ (FP . -tree) โครงสร้าง
ผ่าน 2: การพัฒนาที่มีประสิทธิภาพ, FP-ต้นไม้ตามรูปแบบที่พบบ่อย
การทำเหมืองแร่