can identify the case of closed ite

can identify the case of closed itemsets during mining. Pruning strategies include the following:
Item merging: If every transaction containing a frequent itemset X also contains an itemset Y but not any proper superset of Y , then X ∪ Y forms a frequent closed itemset and there is no need to search for any itemset containing X but no Y .
For example, in Table 6.2 of Example 6.5, the projected conditional database for prefix itemset {I5:2} is {{I2, I1}, {I2, I1, I3}}, from which we can see that each of its transactions contains itemset {I2, I1} but no proper superset of {I2, I1}. Itemset {I2,
I1} can be merged with {I5} to form the closed itemset, {I5, I2, I1: 2}, and we do not need to mine for closed itemsets that contain I5 but not {I2, I1}.
Sub-itemset pruning: If a frequent itemset X is a proper subset of an already found fre- quent closed itemset Y and support count(X)=support count(Y), then X and all of X’s descendants in the set enumeration tree cannot be frequent closed itemsets and thus can
be pruned.
Similar to Example 6.2, suppose a transaction database has only two trans- actions: {(a1, a2, . . . , a100), (a1, a2, . . . , a50)}, and the minimum support count is min sup = 2. The projection on the first item, a1, derives the frequent itemset, {a1, a2, . . . , a50 : 2}, based on the itemset merging optimization. Because support({a2}) =
support({a1, a2, . . . , a50}) = 2, and {a2} is a proper subset of {a1, a2, . . . , a50}, there is no need to examine a2 and its projected database. Similar pruning can be done for a3, . . . , a50 as well. Thus, the mining of closed frequent itemsets in this data set
terminates after mining a1’s projected database.

Item skipping: In the depth-first mining of closed itemsets, at each level, there will be a prefix itemset X associated with a header table and a projected database. If a local frequent item p has the same support in several header tables at different levels, we can safely prune p from the header tables at higher levels.
Consider, for example, the previous transaction database having only two trans- actions: {(a1, a2, . . . , a100), (a1, a2, . . . , a50)}, where min sup = 2. Because a2 in a1’s projected database has the same support as a2 in the global header table, a2 can be pruned from the global header table. Similar pruning can be done for a3, . . . , a50. There is no need to mine anything more after mining a1’s projected database.
Besides pruning the search space in the closed itemset mining process, another important optimization is to perform efficient checking of each newly derived frequent itemset to see whether it is closed. This is because the mining process cannot ensure that every generated frequent itemset is closed.
When a new frequent itemset is derived, it is necessary to perform two kinds of closure checking: (1) superset checking, which checks if this new frequent itemset is a superset of some already found closed itemsets with the same support, and (2) subset checking, which checks whether the newly found itemset is a subset of an already found closed itemset with the same support.
If we adopt the item merging pruning method under a divide-and-conquer frame- work, then the superset checking is actually built-in and there is no need to explicitly

Kết quả (Việt) 1:

có thể xác định các trường hợp đóng cửa itemsets trong khai thác mỏ. Cắt tỉa chiến lược bao gồm:Mục kết hợp: Nếu mỗi giao dịch có chứa một thường xuyên itemset X cũng có chứa một itemset Y nhưng không phải bất kỳ superset thích hợp của Y, sau đó X ∪ Y tạo thành một itemset đóng cửa thường xuyên và không cần thiết để tìm kiếm bất kỳ itemset chứa X nhưng Y không có.Ví dụ, trong bảng 6,2 6,5 ví dụ, là cơ sở dữ liệu dự kiến có điều kiện cho tiền tố itemset {I5:2} {{I2, I1}, {I2, I1, I3}}, từ đó chúng ta có thể thấy rằng mỗi giao dịch của nó chứa itemset {I2, I1} nhưng không thích hợp superset của {I2, I1}. Itemset {I2,I1} có thể được sáp nhập với {I5} để tạo thành itemset khép kín, {I5, I2, I1: 2}, và chúng tôi không cần phải khai thác cho đóng cửa itemsets chứa I5 nhưng không {I2, I1}.Sub-itemset cắt tỉa: nếu một thường xuyên itemset X là một tập hợp con thích hợp đã tìm thấy fre-quent đóng cửa itemset Y và hỗ trợ số (X) = count(Y) hỗ trợ, thì X và tất cả x con cháu trong cây thiết lập đếm có thể không là thường xuyên đóng itemsets và do đó có thểđược bớt.Tương tự như 6,2 ví dụ, giả sử cơ sở dữ liệu giao dịch đã chỉ hai trans-hành động: {(a1, a2,..., a100), (a1, a2,..., a50)}, và hỗ trợ tối thiểu tính là min sup = 2. Phim chiếu trên mục đầu tiên là a1, có nguồn gốc itemset thường xuyên, {a1, a2,..., a50: 2}, dựa trên itemset kết hợp tối ưu hóa. Bởi vì support({a2}) =hỗ trợ ({a1, a2,..., a50}) = 2, và {a2} là một tập hợp con thích hợp của {a1, a2,..., a50}, không cần phải xem xét a2 và cơ sở dữ liệu dự kiến của nó. Cắt tỉa tương tự có thể được thực hiện cho a3,..., a50 là tốt. Vì vậy, mỏ đóng itemsets thường xuyên trong này thiết lập dữ liệuchấm dứt sau khi cơ sở dữ liệu dự kiến khai thác a1.Bỏ qua các mục: trong khai thác chiều sâu đầu tiên của itemsets khép kín, ở mỗi cấp, sẽ có một tiền tố itemset X liên kết với một tiêu đề bảng và cơ sở dữ liệu dự kiến. Nếu một địa phương thường xuyên mục p có hỗ trợ cùng một trong một số tiêu đề bảng ở các cấp độ khác nhau, chúng tôi có thể an toàn prune p từ các tiêu đề bảng ở cấp độ cao hơn.Xem xét, ví dụ, cơ sở dữ liệu giao dịch trước đó có chỉ hai trans-hành động: {(a1, a2,..., a100), (a1, a2,..., a50)}, trong đó min sup = 2. Bởi vì a2 a1 của cơ sở dữ liệu dự kiến có sự hỗ trợ tương tự như a2 trong bảng tiêu đề toàn cầu, a2 có thể được bớt từ toàn cầu tiêu đề bảng. Cắt tỉa tương tự có thể được thực hiện cho a3,..., a50. Đó là không cần để khai thác bất cứ điều gì nhiều hơn sau khi cơ sở dữ liệu dự kiến khai thác a1.Bên cạnh việc cắt tỉa không gian tìm kiếm trong quá trình khai thác mỏ đóng itemset, tối ưu hóa quan trọng khác là để thực hiện việc kiểm tra hiệu quả của mỗi itemset thường xuyên có nguồn gốc mới được nhìn thấy cho dù nó được đóng lại. Điều này là bởi vì trong quá trình khai thác mỏ không thể đảm bảo rằng mỗi itemset thường xuyên được tạo ra đóng cửa.Khi một itemset thường xuyên mới có nguồn gốc, nó là cần thiết để thực hiện hai loại đóng cửa kiểm tra: (1) kiểm tra, kiểm tra mà nếu này itemset mới thường xuyên là một superset của một số đã tìm thấy đóng itemsets với sự hỗ trợ tương tự, và (2) tập con kiểm tra, kiểm tra xem itemset vừa được tìm thấy là một tập hợp con của một itemset khép kín đã tìm thấy với sự hỗ trợ cùng một superset.Nếu chúng ta áp dụng mục kết hợp phương pháp cắt tỉa theo một phân chia và chinh phục khung giờ làm việc, sau đó kiểm tra superset là thực sự được xây dựng trong và không không cần phải rõ ràng

Kết quả (Việt) 2:

có thể xác định các trường hợp của một tập đóng trong khai thác mỏ. Chiến lược cắt tỉa bao gồm:
hàng nhận sáp nhập: Nếu mọi giao dịch có chứa một tập phổ biến X cũng chứa một tập phổ biến Y nhưng không phải bất kỳ siêu thích hợp của Y thì X ∪ Y tạo thành một thường xuyên đóng tập phổ biến và không có nhu cầu tìm kiếm cho bất kỳ tập phổ biến có chứa . X nhưng không có Y
Ví dụ, trong Bảng 6.2 Ví dụ 6.5, các cơ sở dữ liệu có điều kiện dự cho tiền tố itemset {I5: 2} là {{I2, I1}, {I2, I1, I3}}, từ đó chúng ta có thể thấy rằng mỗi giao dịch của nó có chứa itemset {I2, I1} nhưng không có siêu hợp của {I2, I1}. Itemset {I2,
I1} có thể được sáp nhập với {I5} để hình thành các tập phổ biến đóng, {I5, I2, I1: 2}, và chúng tôi không cần phải khai thác cho các tập đóng chứa I5 nhưng không {I2, I1}.
Sub-itemset tỉa: Nếu một tập phổ biến X là một tập hợp con riêng của đã tìm thấy quent fre- đóng tập phổ biến Y và số lượng hỗ trợ (X) = số lượng hỗ trợ (Y), sau đó X và tất cả các con cháu của X trong cây thiết liệt kê có thể không được thường xuyên đóng tập phổ biến và do đó có thể
. được cắt tỉa
Tương tự như ví dụ 6.2, giả sử một cơ sở dữ liệu giao dịch chỉ có hai hành động xuyên: {(... a1, a2,, A100), (... a1, a2,, A50) }, và các tính hỗ trợ tối thiểu là min sup = 2. chiếu vào mục đầu tiên, a1, xuất phát các tập phổ biến, {a1, a2,. . . , A50: 2}, dựa trên các tập phổ biến kết hợp tối ưu hóa. Do sự hỗ trợ ({a2}) =
hỗ trợ ({a1, a2,..., A50}) = 2, và {a2} là một tập hợp con đúng {a1, a2,. . . , A50}, không có cần thiết phải kiểm tra a2 và cơ sở dữ liệu dự kiến của nó. Cắt tỉa tương tự có thể được thực hiện cho a3,. . . , A50 là tốt. Do đó, việc khai thác tập phổ biến đóng trong tập dữ liệu này
chấm dứt sau khi cơ sở dữ liệu dự khai thác a1 của.

Mục bỏ qua: Trong khai thác sâu-đầu tiên của một tập đóng, ở mỗi cấp, sẽ có một tiền tố itemset X được liên kết với một bảng tiêu đề và một cơ sở dữ liệu dự. Nếu một địa phương thường xuyên mục p có sự hỗ trợ nhau trong một số bảng tiêu đề ở mức độ khác nhau, chúng ta có thể an toàn tỉa p từ các bảng tiêu đề ở cấp độ cao hơn.
Hãy xem ví dụ, cơ sở dữ liệu giao dịch trước đó chỉ có hai hành động xuyên: {(a1 , a2,..., A100), (a1, a2,..., A50)}, trong đó min sup = 2. vì a2 trong cơ sở dữ liệu dự a1 của có sự hỗ trợ tương tự như a2 trong bảng tiêu đề toàn cầu, a2 có thể tỉa từ bảng tiêu đề toàn cầu. Cắt tỉa tương tự có thể được thực hiện cho a3,. . . , A50. Không cần để khai thác bất cứ điều gì nhiều hơn sau khi cơ sở dữ liệu dự khai thác a1 của.
Bên cạnh đó cắt tỉa không gian tìm kiếm trong quá trình khai thác tập phổ biến đóng, một tối ưu hóa quan trọng là phải thực hiện kiểm tra hiệu quả của mỗi tập phổ biến mới được xuất phát để xem liệu nó được đóng lại. . Điều này là do quá trình khai thác không thể đảm bảo rằng tất cả các tập phổ biến tạo ra được đóng
Khi một tập phổ biến mới có nguồn gốc, nó là cần thiết để thực hiện hai loại kiểm tra đóng cửa: (1) siêu kiểm tra, trong đó kiểm tra nếu tập phổ biến mới này là một superset của một số đã tìm thấy một tập đóng với sự hỗ trợ tương tự, và (2) kiểm tra tập hợp con, trong đó kiểm tra xem mới được tìm thấy tập phổ biến là một tập hợp con của một đã được tìm thấy đóng tập phổ biến với sự hỗ trợ tương tự.
Nếu chúng ta chấp nhận mục sáp nhập phương pháp cắt tỉa theo một chia-và-chinh phục khuôn khổ, sau đó kiểm tra các siêu được thực sự được xây dựng trong và không có gì cần phải rõ ràng