• Approximation probabilistic frequ

• Approximation probabilistic frequent itemset mining algorithms usually get a high-quality approximation effect in most cases. To our surprise, the frequent probabilities of most probabilistic frequent itemsets are often 1 when the uncertain databases are large enough such
as the number of transaction is more than 10,000. It is a reasonable result. On the one hand, Lyapunov Central Limit Theory guarantees the high-quality approximation. On the other hand, according to the cumulative distribution function (CDF) of the Poisson distribution, we know that the frequent probability of an itemset can be approximated as 1−e−λPN×min sup i=0
λi i! where λ is the expected support of this itemset. When an uncertain database is large enough, the expected support of this itemset is usually large if it is a probabilistic frequent itemset. Thus, as a consequence, the frequent probability of this itemset equals 1.

Kết quả (Việt) 1:

Thuật toán khai thác xác suất thường xuyên itemset • xấp xỉ thường nhận được một hiệu ứng chất lượng cao xấp xỉ trong hầu hết trường hợp. Chúng tôi thật ngạc nhiên, các xác suất thường xuyên của đặt xác suất thường xuyên itemsets thường là 1 khi cơ sở dữ liệu không chắc chắn là lớn đủ như vậynhư số lượng các giao dịch là hơn 10.000. Nó là kết quả hợp lý. Một mặt, Lyapunov Trung tâm lý thuyết giới hạn đảm bảo chất lượng cao xấp xỉ. Mặt khác, theo phân phối tích lũy hàm (CDF) của phân phối Poisson, chúng ta biết rằng xác suất thường xuyên của một itemset có thể được ước chừng như 1−e−λPN × min sup tôi = 0Λi tôi! trong đó λ là sự hỗ trợ dự kiến của itemset này. Khi một cơ sở dữ liệu không chắc chắn là đủ lớn, sự hỗ trợ dự kiến của itemset này là thường lớn nếu nó là một thường xuyên itemset xác suất. Vì vậy, kết quả là, xác suất thường xuyên của itemset này bằng 1.

Kết quả (Việt) 2:

• Xấp xỉ thuật toán khai thác tập phổ biến xác suất thường được một hiệu quả xấp xỉ chất lượng cao trong hầu hết các trường hợp. Trước sự ngạc nhiên của chúng tôi, các xác suất thường xuyên của hầu hết các tập phổ biến xác suất thường 1 khi các cơ sở dữ liệu không chắc chắn là đủ lớn chẳng hạn
như số lượng giao dịch là hơn 10.000. Đó là một kết quả hợp lý. Một mặt, Lyapunov Central Limit Theory đảm bảo xấp xỉ chất lượng cao. Mặt khác, theo các chức năng phân phối tích lũy (CDF) của phân phối Poisson, chúng ta biết rằng xác suất thường xuyên của một tập phổ biến có thể được xấp xỉ như 1-e-λPN × min sup i = 0
λi tôi! nơi λ là sự hỗ trợ dự kiến của tập phổ biến này. Khi một cơ sở dữ liệu không chắc chắn là đủ lớn, sự hỗ trợ dự kiến của tập phổ biến này thường là lớn nếu nó là một tập phổ biến xác suất. Vì vậy, như một hệ quả, xác suất thường xuyên của tập phổ biến này bằng 1.