3. ALGORITHMS OF FREQUENT ITEMSET M

3. ALGORITHMS OF FREQUENT ITEMSET MINING
We categorize the eight representative algorithms into three groups. The first group is the expected support-based frequent algorithms. These algorithms aim to find all expected support-based frequent itemsets. For each itemset, these algorithms only consider the expected support to measure its frequency. The complexity of computing the expected support of an itemset is O(N), where N is the number of transactions. The second group is the exact probabilistic
frequent algorithms. These algorithms discover all probabilistic frequent itemsets and report exact frequent probability for each itemset. Due to complexity of computing the exact frequent probability instead of the simple expectation, these algorithms need to spend at least O(NlogN) computation cost for each itemset. Moreover, in order to avoid redundant processing, the Chernoff bound-based pruning is a way to reduce the running time of this group of algorithms.
The third group is the approximate probabilistic frequent algorithms. Due to the sound roperties of the Poisson Binomial distribution, this group of algorithms can obtain the approximate frequent probability with high quality by only acquiring the first moment (expectation) and the secondmoment (variance). Therefore, the third kind of algorithms have the O(N) computation cost and return the complete probability information when uncertain databases are large enough. To sum up, the third kind of algorithms actually build a bridge between two different definitions of frequent itemsets over uncertain databases.

Kết quả (Việt) 1:

3. CÁC THUẬT TOÁN CỦA KHAI THÁC MỎ ITEMSET THƯỜNG XUYÊNChúng tôi phân loại các thuật toán đại diện tám thành ba nhóm. Nhóm đầu tiên là các dự kiến sẽ dựa trên hỗ trợ thường xuyên thuật toán. Các thuật toán này nhằm mục đích tìm tất cả các dự kiến sẽ dựa trên hỗ trợ thường xuyên itemsets. Đối với mỗi itemset, các thuật toán này chỉ xem xét hỗ trợ dự kiến để đo tần số của nó. Sự phức tạp của máy tính hỗ trợ dự kiến của một itemset là O(N), trong đó N là số lượng giao dịch. Nhóm thứ hai là chính xác xác suấtthuật toán thường xuyên. Các thuật toán này khám phá tất cả các xác suất thường xuyên itemsets và báo cáo chính xác thường xuyên xác suất cho mỗi itemset. Do sự phức tạp của tính toán chính xác xác suất thường xuyên thay vì kỳ vọng đơn giản, các thuật toán này cần phải chi tiêu ít O(NlogN) tính toán chi phí cho mỗi itemset. Hơn nữa, để tránh chế biến dự phòng, cắt tỉa ràng buộc dựa trên Chernoff là một cách để giảm thời gian chạy của nhóm này của thuật toán.Nhóm thứ ba là gần đúng các thuật toán xác suất thường xuyên. Do roperties âm thanh của phân phối Poisson nhị thức, nhóm này của thuật toán có thể có được xác suất thường xuyên gần đúng với chất lượng cao bằng cách chỉ mua lại thời điểm đầu tiên (kỳ vọng) và secondmoment (phương sai). Vì vậy, các loại thứ ba của thuật toán đã tính toán O(N) chi phí và trở lại thông tin đầy đủ xác suất khi cơ sở dữ liệu không chắc chắn là đủ lớn. Tổng kết, các loại thứ ba của thuật toán thực sự xây dựng một cầu nối giữa hai định nghĩa khác nhau của itemsets thường xuyên trên cơ sở dữ liệu không chắc chắn.

Kết quả (Việt) 2:

3. ALGORITHMS MỎ tập phổ biến
Chúng tôi phân loại các thuật toán tám đại diện thành ba nhóm. Nhóm thứ nhất là sự hỗ trợ dựa trên các thuật toán dự kiến thường xuyên. Các thuật toán này nhằm mục đích để tìm tất cả các hỗ trợ dựa trên tập phổ biến dự kiến thường xuyên. Đối với mỗi tập phổ biến, các thuật toán này chỉ xem xét hỗ trợ dự kiến để đo tần số của nó. Sự phức tạp của máy tính hỗ trợ dự kiến của một tập phổ biến là O (N), trong đó N là số lượng giao dịch. Nhóm thứ hai là xác suất chính xác
các thuật toán thường xuyên. Các thuật toán phát hiện ra tất cả các tập phổ biến xác suất và báo cáo xác suất chính xác thường xuyên cho mỗi tập phổ biến. Do sự phức tạp của tính toán xác suất thường xuyên chính xác thay vì kỳ vọng đơn giản, các thuật toán cần phải dành nhiều chi phí ít nhất là O (NlogN) tính toán cho mỗi tập phổ biến. Hơn nữa, để tránh xử lý dư thừa, cắt tỉa Chernoff ràng buộc dựa trên là một cách để giảm thời gian chạy của nhóm này của thuật toán.
Nhóm thứ ba là các thuật toán thường xuyên xác suất gần đúng. Do các roperties âm thanh của sự phân bố Poisson nhị thức, nhóm này của thuật toán có thể được xác suất thường xuyên gần đúng với chất lượng cao bởi chỉ có được giây phút đầu tiên (kỳ vọng) và secondmoment (phương sai). Do đó, loại thứ ba của các thuật toán có O (N) chi phí tính toán và trả lại thông tin xác suất thành công khi cơ sở dữ liệu không chắc chắn là đủ lớn. Tóm lại, loại thứ ba của các thuật toán thực sự xây dựng một cây cầu giữa hai định nghĩa khác nhau của tập phổ biến trên cơ sở dữ liệu không chắc chắn.