在啤酒与尿布的案例中,运用Apriori算法的主要目的是得出( )。
A: 频繁项集
B: 强关联规则
C: 最小支持度
D: 最小置信度
A: 频繁项集
B: 强关联规则
C: 最小支持度
D: 最小置信度
A
举一反三
- 关于关联规则,正确的是:( )。 A: 关联规则挖掘的算法主要有: Apriori和FP-Growth B: 一个项集满足最小支持度,我们称之为频繁项集 C: 啤酒与尿布的故事是聚类分析的典型实例 D: 支持度是衡量关联规则重要性的一个指标
- 关于关联规则,正确的是:( )。 A: 关联规则挖掘的算法主要有: Apriori和FP-Growth B: 一个项集满足最小支持度,我们称之为频繁项集 C: 啤酒与尿布的故事是聚类分析的典型实例 D: 支持度是衡量关联规则重要性的一个指标
- ( )是关联规则发现算法的核心。 A: 设置最小支持度 B: 发现所有频繁项集 C: 找到所有的强规则 D: 发现一些频繁项集
- 请根据Apriori算法回答以下问题 利用Apriori算法计算频繁项集可以有效降低计算频繁集的时间复杂度。在以下的购物篮中产生支持度不小于3的候选3-项集,在候选2-项集中需要剪枝的是() A: 啤酒、尿布 B: 啤酒、面包 C: 面包、尿布 D: 啤酒、牛奶
- 下列关于Apriori算法的说法错误的是( ) A: 初始化的目的是找到所有的 频繁 1-项集 B: Apriori算法主要包含初始化和迭代搜索两部分 C: 迭代的目的是通过上一次迭代得到的频繁(k-1)-项集得到频繁k-项集 D: Apriori算法通过最小置信度进行剪枝
内容
- 0
在“啤酒——尿布”案例中,使用关联规则算法的目的是什么?
- 1
数据库有 5 个事物。设最小支持度min_sup=60%,最小置信度min_conf=80% ,请你用Apriori算法计算关联规则。8c8e8b1c2d824fa745afaae1b17642d1.png
- 2
关联分析一般分为两个步骤,分别为()。 A: 依据置信度,产生和选择候选集 B: 通过迭代找到数据库中的所有频繁项集 C: 利用频繁项集构造出满足用户最小置信度的关联规则 D: 利用提升度找到强关联规则
- 3
如果项集I的相对支持度满足预定义的(),则I是频繁项集。 A: 绝对支持度 B: 最小支持度阈值 C: 最小置信度阈值 D: 支持度计数
- 4
下列有关Apriori算法的说法中不正确的是() A: Apriori算法是关联分析中最常用的算法之一 B: 应用Apriori算法时,需要先设定模型的最小支持度、最小置信度等阈值 C: 应用Apriori算法时,输入的数据可以是连续型数据也可以是离散型数据 D: Apriori算法扫描数据库的次数依赖于最大频繁项集中项的数量