4. EXPERIMENTS4.1 Experimental Sett

4. EXPERIMENTS
4.1 Experimental Settings
In this subsection, we introduce the experimental environment, the implementations, and the evaluation methods. Firstly, in order to conduct a fair comparison, we build a common implementation framework which provides common data structures and subroutines for implementing all the algorithms. All the experiments are performed on an Intel(R) Core(TM) i7 3.40GHz PC with 4GB main memory,running on Microsoft Windows 7. Moreover, all algorithms were implemented and compiled using Microsoft’s Visual C++ 2010.
For each algorithm, we use the existing robust implementation for our comparison. According to the discussion in Section 3, we separate comparisons into the three categories: expected support-based algorithms; exact probabilistic frequent algorithms; approximation probabilistic frequent algorithms.For expected support algorithms, we use the version in [17, 18] to implement the UApriori algorithm which employed decremental pruning and hashing techniques to speed up the mining process. The implementation based on [22]is used to test UFP-growth algorithm. We do not use the UCFP-tree implementation [4] since there is no obvious optimization between UFP-growth algorithm and UCFP-tree algorithm in terms of the running time and the memory cost. The UH-Mine algorithm is implemented based on the version in [4]. For four exact probabilistic frequent algorithms,DPNB (Dynamic Programming-based Algorithm with No Bound) algorithm that does not include the Chernoff bound-based pruning technique is implemented based on the version in [9]. Correspondingly, DCNB (Divide-and- Conquer-based Algorithm No Bound) algorithm is modified
based on the version in [28]. However, what is different is in our algorithm, each item has their own probability, while in [28], all items in a transaction share the same appearance
probability. Moreover, DPB (Dynamic Programming-based Algorithm with Bound) algorithm [9] and DCB (Divide-and- Conquer-based Algorithm with Bound) algorithm [28] represent the corresponding algorithms of DPNB and DCNB, but include the Chernoff bound-based pruning, respectively. For
three approximation mining algorithms, the implementation of PDUApriori is based on [31] and integrates all optimized pruning techniques. PDUApriori [10] and PDUH-Mine are implemented based on the frameworks of UApriori and UHMine, respectively. Hashing function is used in the two algorithms to compute the cumulative distribution function of Standard Normal Distribution efficiently.

Kết quả (Việt) 1:

4. THỬ NGHIỆM4.1 thử nghiệm cài đặtTiểu mục này, chúng tôi giới thiệu môi trường thử nghiệm, các hiện thực và các phương pháp đánh giá. Trước hết, để thực hiện một so sánh công bằng, chúng tôi xây dựng một khuôn khổ thực hiện phổ biến mà cung cấp các cấu trúc dữ liệu phổ biến và subroutines cho việc thực hiện tất cả các thuật toán. Tất cả các thí nghiệm được thực hiện trên một Intel(R) Core(TM) i7 3.40GHz PC với 4GB bộ nhớ chính, chạy trên Microsoft Windows 7. Hơn nữa, tất cả các thuật toán đã được thực hiện và biên dịch bằng cách sử dụng của Microsoft Visual C++ 2010.Đối với mỗi thuật toán, chúng tôi sử dụng thực hiện mạnh mẽ hiện có để so sánh của chúng tôi. Theo các cuộc thảo luận trong phần 3, chúng tôi riêng biệt so sánh thành ba loại: dự kiến sẽ hỗ trợ dựa trên các thuật toán; thuật toán thường xuyên xác suất chính xác; xấp xỉ thuật toán xác suất thường xuyên. Thuật toán dự kiến sẽ hỗ trợ, chúng tôi sử dụng các phiên bản trong [17, 18] để thực hiện các thuật toán UApriori sử dụng decremental cắt tỉa và băm kỹ thuật để tăng tốc độ quá trình khai thác. Việc thực hiện dựa trên [22] được sử dụng để kiểm tra tốc độ tăng trưởng UFP thuật toán. Chúng tôi không sử dụng thực hiện UCFP-cây [4] vì không không tối ưu hóa rõ ràng giữa các thuật toán phát triển UFP và UCFP-cây thuật toán về thời gian và chi phí bộ nhớ. Thuật toán UH-mỏ được thực hiện dựa trên các phiên bản trong [4]. Cho bốn chính xác xác suất thường xuyên thuật toán, thuật toán DPNB (lập trình năng động dựa trên thuật toán với không ràng buộc) không bao gồm Chernoff cắt tỉa ràng buộc dựa trên kỹ thuật được thực hiện dựa trên các phiên bản trong [9]. Tương ứng, DCNB (phân chia-và-chinh phục-dựa trên thuật toán không ràng buộc) thuật toán lầnDựa trên các phiên bản trong [28]. Tuy nhiên, những gì là khác nhau là trong thuật toán của chúng tôi, mỗi mục có khả năng riêng của họ, trong khi trong [28], tất cả các mục trong một giao dịch chia sẻ sự xuất hiện tương tựxác suất. Hơn nữa, thuật toán DPB (lập trình năng động dựa trên thuật toán với ràng buộc) [9] và thuật toán DCB (phân chia-và-chinh phục-dựa trên thuật toán với ràng buộc) [28] đại diện cho các thuật toán tương ứng của DPNB và DCNB, nhưng bao gồm Chernoff ràng buộc dựa trên cắt tỉa, tương ứng. Chothuật toán khai thác ba xấp xỉ, việc thực hiện của PDUApriori dựa trên [31] và tích hợp kỹ thuật tối ưu hóa tất cả cắt tỉa. PDUApriori [10] và PDUH-mỏ được thực hiện dựa trên các khuôn khổ của UApriori và UHMine, tương ứng. Băm chức năng được sử dụng trong các thuật toán hai để tính toán hàm phân phối tích lũy của tiêu chuẩn phân phối bình thường một cách hiệu quả.

Kết quả (Việt) 2:

4. THỰC NGHIỆM
4.1 nghiệm Cài đặt
Trong tiểu mục này, chúng tôi giới thiệu môi trường thử nghiệm, triển khai, và các phương pháp đánh giá. Thứ nhất, để tiến hành so sánh công bằng, chúng tôi xây dựng một khuôn khổ thực hiện chung trong đó cung cấp các cấu trúc dữ liệu chung và chương trình con để thực hiện tất cả các thuật toán. Tất cả các thí nghiệm được thực hiện trên một Intel (R) Core (TM) i7 3.40GHz PC với 4GB bộ nhớ chính, chạy trên Microsoft Windows 7. Hơn nữa, tất cả các thuật toán đã được thực hiện và biên dịch sử dụng của Microsoft Visual C ++ 2010.
Đối với mỗi thuật toán, chúng tôi sử dụng việc thực hiện mạnh mẽ hiện có của chúng tôi để so sánh. Theo các cuộc thảo luận ở phần 3, chúng ta tách so sánh thành ba loại: các thuật toán hỗ trợ dựa trên dự kiến; chính xác các thuật toán xác suất thường xuyên; xấp xỉ xác suất thường xuyên algorithms.For dự kiến sẽ hỗ trợ các thuật toán, chúng tôi sử dụng các phiên bản trong [17, 18] thực hiện các thuật toán UApriori mà làm việc tỉa decremental và kỹ thuật băm để tăng tốc độ quá trình khai thác. Việc thực hiện dựa trên [22] được sử dụng để kiểm tra thuật toán UFP-tăng trưởng. Chúng tôi không sử dụng thực hiện UCFP cây [4] vì không có tối ưu hóa rõ ràng giữa thuật toán UFP-tăng trưởng và thuật toán UCFP cây trong điều kiện của thời gian chạy và các chi phí bộ nhớ. Các thuật toán UH-Mine được thực hiện dựa trên các phiên bản trong [4]. Đối với bốn thuật toán thường xuyên xác suất chính xác, DPNB (Dynamic Programming dựa trên thuật toán với Không ràng buộc) thuật toán mà không bao gồm các kỹ thuật cắt tỉa Chernoff ràng buộc dựa trên được thực hiện dựa trên các phiên bản trong [9]. Tương ứng, DCNB (Conquer dựa trên thuật toán Không ràng buộc Divide-và-) thuật toán được sửa đổi
dựa trên các phiên bản trong [28]. Tuy nhiên, những gì là khác nhau là trong thuật toán của chúng tôi, mỗi mặt hàng có khả năng riêng của họ, trong khi trong [28], tất cả các mục trong một phần giao dịch cổ cùng xuất hiện
xác suất. Hơn nữa, DPB (Dynamic Programming dựa trên thuật toán có ràng buộc) thuật toán [9] và DCB (Divide-và- Conquer dựa trên thuật toán có ràng buộc) thuật toán [28] đại diện cho các thuật toán tương ứng của DPNB và DCNB, nhưng bao gồm các Chernoff ràng buộc dựa trên cắt tỉa, tương ứng. Đối với
ba thuật toán khai thác xấp xỉ, việc thực hiện các PDUApriori dựa trên [31] và tích hợp tất cả các kỹ thuật cắt tỉa được tối ưu hóa. PDUApriori [10] và PDUH-Mine được thực hiện dựa trên các khuôn khổ của UApriori và UHMine, tương ứng. Băm chức năng được sử dụng trong hai thuật toán để tính toán các hàm phân phối tích lũy của phân phối chuẩn bình thường có hiệu quả.