Theassociation rule discovery is us

The
association rule discovery is usually done in two phases. First phase finds all
the frequent itemsets; i.e., sets satisfying the support threshold, and then they
are post-processed in the second phase to find the high confidence rules. The
former phase is computationally most expensive, and much research has been
done in developing efficient algorithms for it. A comparative survey of all the
existing techniques is given in [JHKK00]. A key feature of these algorithms lies
in their method of controlling the exponential complexity of the total number
of itemsets (2|I|
). Briefly, they all use the anti-monotone property of an itemset
support, which states that an itemset is frequent only if all of its sub-itemsets
are frequent. Apriori algorithm [AS94] pioneered the use of this property to
systematically search the exponential space of itemsets. In an iteration k, it
generates all the candidate k-itemsets (of length k) such that all their (k − 1)-
subsets are frequent. The number of occurrences of these candidates are then
counted in the transaction database, to determine frequent k-itemsets. Efficient
data structures are used to perform fast counting.

Kết quả (Việt) 1:

CácHiệp hội quy tắc khám phá thường được thực hiện trong hai giai đoạn. Giai đoạn đầu tiên tìm thấy tất cảitemsets thường xuyên; Ví dụ, bộ đáp ứng ngưỡng hỗ trợ, và sau đó họsau khi được thực hiện trong giai đoạn thứ hai để tìm các quy tắc tin cậy cao. Cáccựu giai đoạn là đắt nhất computationally, và nhiều nghiên cứu đãthực hiện trong việc phát triển các thuật toán hiệu quả cho nó. Một cuộc điều tra so sánh tất cả cáchiện có kỹ thuật được đưa ra trong [JHKK00]. Một tính năng chính của các thuật toán nằmtrong phương pháp của họ kiểm soát sự phức tạp mũ của tổng sốcủa itemsets (2| I|). Một thời gian ngắn, tất cả đều sử dụng tài sản chống monotone của một itemsethỗ trợ, mà biểu rằng một itemset là thường xuyên chỉ khi tất cả của nó phụ-itemsetslà thường xuyên. Thuật toán apriori [AS94] đi tiên phong trong việc sử dụng của tài sản này chocó hệ thống tìm kiếm không gian mũ của itemsets. Trong một k lặp đi lặp lại, nótạo ra tất cả các ứng cử viên k-itemsets (của chiều dài k) như vậy mà tất cả của họ (k − 1)-tập con được thường xuyên. Số lần xuất hiện của các ứng cử viên sau đótính trong cơ sở dữ liệu giao dịch, để xác định k-itemsets thường xuyên. Hiệu quảcấu trúc dữ liệu được sử dụng để thực hiện nhanh chóng đếm.

Kết quả (Việt) 2:

Các
khám phá luật kết hợp thường được thực hiện trong hai giai đoạn. Giai đoạn đầu tiên tìm thấy tất cả
các tập phổ biến; tức là, bộ đáp ứng các ngưỡng hỗ trợ, và sau đó họ
được sau xử lý trong giai đoạn thứ hai để tìm ra quy tắc tin cậy cao. Các
giai đoạn trước đây là tính toán đắt tiền nhất, và nhiều nghiên cứu được
thực hiện trong việc phát triển các thuật toán hiệu quả cho nó. Một khảo sát so sánh tất cả các
kỹ thuật hiện tại được đưa ra trong [JHKK00]. Một tính năng quan trọng của các thuật toán nằm
trong phương pháp của họ về việc kiểm soát sự phức tạp hàm mũ của tổng số
các tập phổ biến (2 | I
|). Tóm lại, tất cả đều sử dụng tài sản chống-monotone của một tập phổ biến
hỗ trợ, trong đó nói rằng một tập phổ biến là thường xuyên chỉ khi tất cả các tiểu tập phổ biến của nó
là thường xuyên. Apriori thuật toán [AS94] tiên phong trong việc sử dụng tài sản này để
tìm kiếm một cách hệ thống các không gian hàm mũ của tập phổ biến. Trong một k lặp lại, nó
tạo ra tất cả các ứng cử viên k-tập phổ biến (có độ dài k) như vậy mà tất cả họ (k - 1) -
tập con thường xuyên. Số lần xuất hiện của các ứng cử viên sau đó được
tính vào cơ sở dữ liệu giao dịch, để xác định thường xuyên k-tập phổ biến. Hiệu quả
cấu trúc dữ liệu được sử dụng để thực hiện đếm nhanh.