Effect of min sup. Figures 5(a) and

Effect of min sup. Figures 5(a) and 5(c) show the running time of four competitive algorithms w.r.t. min sup in Accident and Kosarak datasets, respectively. With the Chernoff-bound-based pruning, we can see that DCB is always faster than DPB. However, without the Chernoff-boundbased
pruning, we can find that DCNB is always faster than DPNB. This is reasonable because the time complexity of computing the frequent probability of each itemset in divide-and-conquer-based algorithms is O(NlogN), which is more efficient than that of dynamic programming-based algorithms, O(N2 × min sup). Comparing the same type of algorithms, we can find that DCB is faster than DCNB and DPB is faster than DPNB. These results show that most infrequent itemsets can be filtered by the Chernoff boundbased pruning quickly. Moreover, we also observe that DPB
is faster than DCNB, this is because there are only a small number of frequent itemsets that need to compute their frequent probabilities when min sup is high, most of the infrequent
itemsets are already pruned by the Chernoff bound

Kết quả (Việt) 1:

Ảnh hưởng của min sup. Nhân vật 5(a) và 5(c) Hiển thị thời gian chạy của thuật toán bốn cạnh tranh w.r.t. min sup trong tai nạn và Kosarak datasets, tương ứng. Với cắt tỉa Chernoff-ràng buộc dựa trên, chúng ta có thể thấy rằng DCB là luôn nhanh hơn so với DPB. Tuy nhiên, mà không có Chernoff-boundbasedcắt tỉa cành, chúng tôi có thể tìm thấy DCNB luôn luôn là nhanh hơn so với DPNB. Điều này là hợp lý do sự phức tạp thời gian của máy tính khả năng thường xuyên mỗi itemset trong chia-và-chinh phục-dựa trên thuật toán là O(NlogN), đó là hiệu quả hơn của thuật toán dựa trên lập trình năng động, O (N2 × min sup). So sánh các loại tương tự của thuật toán, chúng tôi có thể thấy rằng DCB là nhanh hơn DCNB và DPB là nhanh hơn so với DPNB. Các kết quả cho thấy rằng không thường xuyên nhất itemsets có thể được lọc bởi boundbased Chernoff cắt tỉa một cách nhanh chóng. Hơn nữa, chúng tôi cũng quan sát mà DPBlà nhanh hơn so với DCNB, điều này là bởi vì có là chỉ một số ít thường xuyên itemsets cần phải tính toán xác suất thường xuyên của họ khi min sup là cao, hầu hết các không thường xuyênitemsets đã bớt bởi Chernoff ràng buộc

Kết quả (Việt) 2:

Ảnh hưởng của min sup. Hình 5 (a) và 5 (c) cho thấy thời gian chạy của thuật toán bốn cạnh tranh wrt min sup trong tai nạn và Kosarak bộ dữ liệu, tương ứng. Với sự cắt tỉa Chernoff-ràng buộc dựa trên, chúng ta có thể thấy rằng DCB là luôn luôn nhanh hơn DPB. Tuy nhiên, nếu không có sự Chernoff-boundbased
cắt tỉa, chúng ta có thể thấy rằng DCNB là luôn luôn nhanh hơn DPNB. Điều này là hợp lý vì độ phức tạp của tính toán xác suất thường xuyên của mỗi tập phổ biến trong các thuật toán dựa divide-and-conquer-là O (NlogN), đó là hiệu quả hơn so với các thuật toán lập trình dựa trên năng động, O (N2 × min sup) . So sánh cùng loại của các thuật toán, chúng ta có thể thấy rằng DCB là nhanh hơn so với DCNB và DPB là nhanh hơn so với DPNB. Những kết quả này cho thấy rằng hầu hết các tập phổ biến thường xuyên có thể được lọc bởi Chernoff boundbased cắt tỉa một cách nhanh chóng. Hơn nữa, chúng tôi cũng quan sát thấy rằng DPB
là nhanh hơn so với DCNB, điều này là bởi vì chỉ có một số lượng nhỏ các tập phổ biến mà cần phải tính toán xác suất thường xuyên của họ khi min sup là cao, hầu hết các không thường xuyên
tập phổ biến đã được cắt tỉa bởi các ràng buộc Chernoff