(a) Find all frequent itemsets usin

(a) Find all frequent itemsets using Apriori and FP-growth, respectively. Compare the efficiency of the two mining processes.
(b) List all the strong association rules (with support s and confidence c) matching the following metarule, where X is a variable representing customers, and itemi denotes variables representing items (e.g., “A,” “B,”):
∀x ∈ transaction, buys(X , item1) ∧ buys(X , item2) ⇒ buys(X , item3) [s, c]
6.7 (Implementation project) Using a programming language that you are familiar with, such as C++ or Java, implement three frequent itemset mining algorithms introduced in this chapter: (1) Apriori [AS94b], (2) FP-growth [HPY00], and
(3) Eclat [Zak00] (mining using the vertical data format). Compare the perfor- mance of each algorithm with various kinds of large data sets. Write a report to analyze the situations (e.g., data size, data distribution, minimal support thresh- old setting, and pattern density) where one algorithm may perform better than the others, and state why.
6.8 A database has four transactions. Let min sup = 60% and min conf = 80%.

cust ID TID items bought (in the form of brand-item category)
01 T100 {King’s-Crab, Sunset-Milk, Dairyland-Cheese, Best-Bread}
02 T200 {Best-Cheese, Dairyland-Milk, Goldenfarm-Apple, Tasty-Pie, Wonder-Bread}
01 T300 {Westcoast-Apple, Dairyland-Milk, Wonder-Bread, Tasty-Pie}
03 T400 {Wonder-Bread, Sunset-Milk, Dairyland-Cheese}

(a) At the granularity of item category (e.g., itemi could be “Milk”), for the rule template,
∀X ∈ transaction, buys(X , item1) ∧ buys(X , item2) ⇒ buys(X , item3) [s, c],
list the frequent k-itemset for the largest k, and all the strong association rules (with their support s and confidence c) containing the frequent k-itemset for the largest k.
(b) At the granularity of brand-item category (e.g., itemi could be “Sunset-Milk”), for the rule template,
∀X ∈ customer, buys(X , item1) ∧ buys(X , item2) ⇒ buys(X , item3), list the frequent k-itemset for the largest k (but do not print any rules).

Kết quả (Việt) 1:

(a) tìm tất cả các itemsets thường xuyên sử dụng Apriori và FP-tăng trưởng, tương ứng. So sánh hiệu quả của hai quá trình khai thác mỏ.(b) danh sách tất cả các quy tắc mạnh Hiệp hội (với sự hỗ trợ s và sự tự tin c) phù hợp với metarule sau đây, nơi mà X là một biến đại diện cho khách hàng, và là bắt itemi biến đại diện cho mục (ví dụ: "A," "B"):∀x ∈ giao dịch, mua (X, item1) ∧ mua (X, item2) ⇒ mua (X, item3) [s c]6.7 (thực hiện dự án) bằng cách sử dụng một ngôn ngữ lập trình mà bạn đang quen thuộc, như C++ hay Java, thực hiện các thuật toán khai thác thường xuyên itemset ba giới thiệu trong chương này: (1) Apriori [AS94b], (2) tăng trưởng FP-[HPY00], và(3) eclat [Zak00] (khai thác sử dụng định dạng dữ liệu theo chiều dọc). So sánh perfor-mance của mỗi thuật toán với các loại khác nhau của tập dữ liệu lớn. Viết báo cáo để phân tích các tình huống (ví dụ: kích thước dữ liệu, phân phối dữ liệu, hỗ trợ tối thiểu thresh-old thiết lập và mật độ mẫu) nơi một thuật toán có thể thực hiện tốt hơn so với những người khác, nhà nước và lý do tại sao.6.8 cơ sở dữ liệu có bốn giao dịch. Cho min sup = 60% và min conf = 80%.Kh ID TID mặt hàng đã mua (trong các hình thức thể loại mặt hàng thương hiệu)01 T100 {King's-cua, Sunset-sữa, pho mát Dairyland tốt nhất-bánh mì}02 T200 {tốt nhất-pho mát, sữa Dairyland, Goldenfarm-Apple, chiếc bánh ngon, bánh mì Wonder}01 T300 {Westcoast-Apple, Dairyland-sữa, ngon-thắc mắc-bánh mì, Pie}03 T400 {Wonder bánh mì, Sunset-sữa, phô mai Dairyland}(a) tại granularity của mục danh mục (ví dụ:, itemi có thể là "Sữa"), cho các mẫu quy định,∀X ∈ giao dịch, mua (X, item1) ∧ mua (X, item2) ⇒ mua (X, item3) [s, c],danh sách thường xuyên k-itemset k lớn nhất, và tất cả các Hiệp hội mạnh mẽ quy tắc (với của họ hỗ trợ s và sự tự tin c) có chứa k thường xuyên-itemset k lớn nhất.(b) tại granularity của thương hiệu-mục danh mục (ví dụ:, itemi có thể là "Sunset-sữa"), cho các mẫu quy định,∀X ∈ khách hàng, mua (X, item1) ∧ mua (X, item2) ⇒ mua (X, item3), danh sách thường xuyên k-itemset k lớn nhất (nhưng không in bất quy tắc).

Kết quả (Việt) 2:

(a) Tìm tất cả các tập phổ biến sử dụng Apriori và FP-tăng trưởng tương ứng. So sánh hiệu quả của hai quá trình khai thác.
(B) Danh sách tất cả các luật kết hợp mạnh (với sự hỗ trợ của và sự tự tin c) phù hợp với các metarule sau đây, trong đó X là một biến đại diện cho khách hàng, và itemi biểu thị các biến đại diện cho các mục (ví dụ, "Một "," B "):
∀x ∈ giao dịch, mua (X, item1) ∧ mua (X, ITEM2) ⇒ mua (X, ITEM3) [s, c]
6.7 (dự án thực hiện) Sử dụng một ngôn ngữ lập trình mà bạn đang quen thuộc với, chẳng hạn như C ++ hay Java, thực hiện ba thường xuyên các thuật toán khai thác tập phổ biến được giới thiệu trong chương này: (1) Apriori [AS94b], (2) FP-tăng trưởng [HPY00], và
(3) Eclat [Zak00] (khai thác sử dụng định dạng dữ liệu theo chiều dọc). So sánh các mance perfor của mỗi thuật toán với các loại khác nhau của các tập dữ liệu lớn. Viết báo cáo để phân tích các tình huống (ví dụ, kích thước dữ liệu, phân phối dữ liệu, hỗ trợ tối thiểu thresh- thiết lập cũ, và mật độ mô hình), nơi một thuật toán có thể thực hiện tốt hơn so với những người khác, và tiểu bang tại sao.
6.8 Một cơ sở dữ liệu có bốn giao dịch. Hãy min sup = 60% và min conf = 80%.

Cust ID mục TID mua (trong biểu mẫu của thể loại thương hiệu hàng)
01 T100 {King's-Cua, Sunset-Milk, Dairyland-Cheese, Best-Bánh mì}
02 T200 { Best-Cheese, Dairyland-Milk, Goldenfarm-Apple, Tasty-Pie, Wonder-Bánh mì}
01 T300 {Westcoast-Apple, Dairyland-Milk, Wonder-Bánh mì, Tasty-Pie}
03 T400 {Wonder-Bánh mì, Sunset-Milk, Dairyland-Cheese}

(a) Tại các chi tiết của các loại hàng (ví dụ như, itemi có thể là "sữa"), cho mẫu quy định,
giao dịch ∀X ∈, mua (X, item1) ∧ mua (X, ITEM2) ⇒ mua ( X, ITEM3) [s, c],
liệt kê thường xuyên k-itemset cho k lớn nhất, và tất cả các luật kết hợp mạnh (với sự hỗ trợ của họ s và sự tự tin c) chứa thường xuyên k-itemset cho k lớn nhất.
(b) tại các chi tiết của các loại thương hiệu mục (ví dụ, itemi có thể là "Sunset-Milk"), cho mẫu quy định,
∀X ∈ khách hàng, mua (X, item1) ∧ mua (X, ITEM2) ⇒ mua (X, ITEM3 ), liệt kê thường xuyên k-itemset cho k lớn nhất (nhưng không in bất kỳ quy tắc).