Figure 6.2 Generation of the candid

Figure 6.2 Generation of the candidate itemsets and frequent itemsets, where the minimum support count is 2.


4. Next, the transactions in D are scanned and the support count of each candidate itemset in C2 is accumulated, as shown in the middle table of the second row in Figure 6.2.
5. The set of frequent 2-itemsets, L2, is then determined, consisting of those candidate 2-itemsets in C2 having minimum support.
6. The generation of the set of the candidate 3-itemsets, C3, is detailed in Figure 6.3. From the join step, we first get C3 = L2 ✶ L2 = {{I1, I2, I3}, {I1, I2, I5}, {I1, I3, I5},
{I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5}}. Based on the Apriori property that all subsets of a frequent itemset must also be frequent, we can determine that the four latter candidates cannot possibly be frequent. We therefore remove them from C3, thereby saving the effort of unnecessarily obtaining their counts during the subsequent scan of D to determine L3. Note that when given a candidate k-itemset, we only need to check if its (k − 1)-subsets are frequent since the Apriori algorithm uses a level-wise

Kết quả (Việt) 1:

Hình 6.2 các thế hệ của các ứng cử viên itemsets và itemsets thường xuyên, nơi mà tính hỗ trợ tối thiểu là 2.4. tiếp theo, các giao dịch trong D được quét và hỗ trợ tính của mỗi ứng cử viên itemset ở C2 tích lũy, như được hiển thị trong bảng trung của hàng thứ hai trong hình 6.2.5. thiết lập thường xuyên 2-itemsets, L2, sau đó được xác định, bao gồm những ứng cử viên 2-itemsets ở C2 có hỗ trợ tối thiểu.6. các thế hệ của các thiết lập của ứng cử viên 3-itemsets, C3, là chi tiết trong hình 6.3. Từ bước tham gia, chúng tôi lần đầu tiên nhận được C3 = L2 ✶ L2 = {{I1, I2, I3}, {I1, I2, I5}, {I1, I3, I5},{I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5}}. Dựa trên tài sản Apriori rằng tất cả các tập con của itemset thường xuyên cũng phải thường xuyên, chúng tôi có thể xác định rằng bốn ứng cử viên sau này không thể có thể được thường xuyên. Chúng tôi do đó loại bỏ chúng từ C3, do đó tiết kiệm các nỗ lực không cần thiết thu thập số lượng của họ trong quá trình quét D, sau đó để xác định L3. Lưu ý khi cho itemset k một ứng cử viên, chúng tôi chỉ cần kiểm tra nếu nó (k − 1)-con là thường xuyên kể từ khi các thuật toán Apriori sử dụng một level-wise

Kết quả (Việt) 2:

Hình 6.2 Thế hệ của các tập phổ biến ứng cử viên và tập phổ biến, trong đó số lượng hỗ trợ tối thiểu là 2.


4. Tiếp theo, các giao dịch trong D được quét và số lượng hỗ trợ của từng ứng cử viên tập phổ biến trong C2 được tích lũy, như thể hiện trong bảng giữa hàng thứ hai trong hình 6.2.
5. Các bộ thường xuyên 2 tập phổ biến, L2, sau đó được xác định, bao gồm những ứng cử viên 2 tập phổ biến trong C2 có hỗ trợ tối thiểu.
6. Thế hệ của các thiết lập của ứng cử viên 3 tập phổ biến, C3, được trình bày chi tiết trong hình 6.3. Từ bước tham gia, đầu tiên chúng ta có được C3 = L2 ✶ L2 = {{I1, I2, I3}, {I1, I2, I5}, {I1, I3, I5},
{I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5}}. Căn cứ vào các tài sản Apriori rằng tất cả các tập con của một tập phổ biến cũng phải được thường xuyên, chúng ta có thể xác định rằng bốn ứng cử viên thứ hai không thể là thường xuyên. Do đó chúng tôi loại bỏ chúng từ C3, do đó tiết kiệm các nỗ lực có được không cần thiết đếm của họ trong quá trình quét tiếp theo của D để xác định L3. Lưu ý rằng khi đưa ra một ứng cử viên k-itemset, chúng ta chỉ cần kiểm tra xem nó (k - 1) -subsets thường xuyên kể từ khi các thuật toán Apriori sử dụng một mức độ khôn ngoan