Conclusions. First of all, approxim

Conclusions. First of all, approximation probabilistic frequent itemset mining algorithms can get high-quality approximation when the uncertain database is large enough due to the requirement of CLT. In our experiments, the datasets usually include more than 50,000 transactions. These
approximation algorithms almost have no false positive or false negative. These results are reasonable because the Lyapunov CLT guarantees the approximation quality.

Kết quả (Việt) 1:

Kết luận. Trước hết, thuật toán xấp xỉ xác suất thường xuyên itemset khai thác có thể nhận được chất lượng cao xấp xỉ khi cơ sở dữ liệu không chắc chắn là đủ lớn do yêu cầu của CLT. Trong các thí nghiệm của chúng tôi, các datasets thường bao gồm hơn 50.000 giao dịch. Đâythuật toán xấp xỉ gần như đã không có âm tính sai tích cực hoặc sai. Những kết quả này là hợp lý bởi vì Lyapunov CLT đảm bảo chất lượng xấp xỉ.

Kết quả (Việt) 2:

Kết luận. Trước hết, xấp xỉ thuật toán khai thác tập phổ biến xác suất có thể có được chất lượng cao xấp xỉ khi các cơ sở dữ liệu không chắc chắn là đủ lớn do yêu cầu của CLT. Trong thí nghiệm của chúng tôi, các bộ dữ liệu thường bao gồm hơn 50.000 giao dịch. Những
thuật toán xấp xỉ gần như không có tiêu cực hay tích cực false false. Những kết quả này là hợp lý vì Lyapunov CLT đảm bảo chất lượng xấp xỉ.