In Section 6.1.2 we saw how frequen

In Section 6.1.2 we saw how frequent itemset mining may generate a huge number of
frequent itemsets, especially when the min sup threshold is set low or when there exist
long patterns in the data set. Example 6.2 showed that closed frequent itemsets9
c
an
substantially reduce the number of patterns generated in frequent itemset mining while
preserving the complete information regarding the set of frequent itemsets. That is, from
the set of closed frequent itemsets, we can easily derive the set of frequent itemsets and
their support. Thus, in practice, it is more desirable to mine the set of closed frequent
itemsets rather than the set of all frequent itemsets in most cases.
“How can we mine closed frequent itemsets?” A naïve approach would be to first mine
the complete set of frequent itemsets and then remove every frequent itemset that is a
proper subset of, and carries the same support as, an existing frequent itemset. However,
this is quite costly. As shown in Example 6.2, this method would have to first derive
21
00 1
frequent itemsets to obtain a length-100 frequent itemset, all before it could
begin to eliminate redundant itemsets. This is prohibitively expensive. In fact, there exist
only a very small number of closed frequent itemsets in Example 6.2’s data set.
A recommended methodology is to search for closed frequent itemsets directly dur-
ing the mining process. This requires us to prune the search space as soon as we

Kết quả (Việt) 1:

Trong phần 6.1.2 chúng ta thấy làm thế nào thường xuyên itemset khai thác có thể tạo ra một số lượng lớnthường xuyên itemsets, đặc biệt là khi min sup ngưỡng được đặt thấp hoặc khi có tồn tạiMô hình dài tập hợp dữ liệu. Ví dụ 6.2 cho thấy mà đóng cửa thường xuyên itemsets9 cmộtđáng kể giảm số lượng các mô hình được tạo ra trong khai thác mỏ itemset thường xuyên trong khibảo quản thông tin đầy đủ về tập thường xuyên itemsets. Đó là, từtập đóng itemsets thường xuyên, chúng tôi có thể dễ dàng lấy được tập thường xuyên itemsets vàhỗ trợ của họ. Vì vậy, trong thực tế, đó là mong muốn để khai thác các thiết lập của đóng thường xuyênitemsets chứ không phải các thiết lập của tất cả các itemsets thường xuyên trong nhiều trường hợp."Làm thế nào chúng tôi có thể khai thác đóng thường xuyên itemsets?" Một cách tiếp cận ngây thơ sẽ là đầu tiên của tôihoàn thành thiết lập của itemsets thường xuyên và sau đó loại bỏ mỗi itemset thường xuyên là mộttập hợp con thích hợp của, và mang cùng hỗ trợ như, một thường xuyên itemset sẵn có. Tuy nhiên,Điều này là khá tốn kém. Như minh hoạ trong ví dụ 6.2, phương pháp này sẽ phải lấy được đầu tiên2100 1 thường xuyên itemsets để có được một itemset thường xuyên chiều dài-100, tất cả trước khi nó có thểbắt đầu để loại bỏ dư thừa itemsets. Đây là tốn đắt tiền. Trong thực tế, có tồn tạichỉ một số rất nhỏ của đóng itemsets thường xuyên trong ví dụ 10.0 dữ liệu tập hợp.Một phương pháp được đề nghị là để tìm kiếm đóng thường xuyên itemsets trực tiếp dur -ing quá trình khai thác. Điều này đòi hỏi chúng ta để prune không gian tìm kiếm ngay sau khi chúng tôi

Kết quả (Việt) 2:

Trong mục 6.1.2 chúng ta đã biết khai thác tập phổ biến có thể tạo ra một số lượng lớn các
tập phổ biến, đặc biệt là khi các ngưỡng sup min được thiết lập thấp hoặc khi có tồn tại
mô hình lâu dài trong các bộ dữ liệu. Ví dụ 6.2 cho thấy đóng itemsets9 thường xuyên
c
một
giảm đáng kể số lượng các mô hình tạo ra trong khai thác tập phổ biến trong khi
bảo quản các thông tin đầy đủ về tập hợp các tập phổ biến. Đó là, từ
các bộ tập phổ biến khép kín, chúng ta có thể dễ dàng lấy được các tập hợp các tập phổ biến và
hỗ trợ của họ. Vì vậy, trong thực tế, đó là mong muốn nhiều hơn để khai thác các bộ thường xuyên đóng
tập phổ biến hơn là tập tất cả các tập phổ biến trong hầu hết các trường hợp.
"Làm thế nào chúng ta có thể khai thác tập phổ biến đóng?" Một cách tiếp cận ngây thơ sẽ là lần đầu tiên tôi
tập hợp đầy đủ của tập phổ biến và sau đó loại bỏ tất cả các tập phổ biến mà là một
tập hợp của, và thực sự hỗ trợ giống như, một tập phổ biến hiện nay. Tuy nhiên,
điều này là khá tốn kém. Như thể hiện trong ví dụ 6.2, phương pháp này sẽ phải đầu tiên lấy được
21
00 1
tập phổ biến để có được một chiều dài 100 tập phổ biến, tất cả trước khi nó có thể
bắt đầu tập phổ biến để loại bỏ dư thừa. Điều này là rất tốn kém. Trong thực tế, có tồn tại
chỉ có một số lượng rất nhỏ của tập phổ biến đóng trong tập dữ liệu Ví dụ 6.2 của.
Một phương pháp được đề nghị là để tìm kiếm các tập phổ biến đóng trực tiếp dur-
ing quá trình khai thác. Điều này đòi hỏi chúng ta phải tỉa không gian tìm kiếm ngay khi chúng tôi