Apriori 算法的理论依据 Apriori性质是：
A: 事物A和事物B的置信度必小于包含A和B的事物数的置信度
B: 事物A和事物B的支持度必小于包含A和B的事物数的支持度
C: 包含A的频繁项集的所有非空子集也必须是频繁的
D: 包含A的频繁项集的所有超集也必须是频繁的
A: 事物A和事物B的置信度必小于包含A和B的事物数的置信度
B: 事物A和事物B的支持度必小于包含A和B的事物数的支持度
C: 包含A的频繁项集的所有非空子集也必须是频繁的
D: 包含A的频繁项集的所有超集也必须是频繁的
举一反三
- 关联规则数据挖掘算法的基本步骤是： A: 先找出事物数据库中最长频繁项集，再利用最长频繁项集逐层迭代生成渐短频繁项集，直到1频繁集 B: 先找出事物数据库中所有大于平均支持度的项集，再在这些项集中找出所有大于平均置信度的项集 C: 先找出事物数据库中所有大于平均置信度的项集，再在这些项集中找出所有大于平均支持度的项集 D: 先找出事物数据库中所有频繁项集，再利用频繁项集生成所需要的关联规则
- Apriori算法挖掘频繁项集的过程主要包含()。 A: 连接 B: 剪枝 C: k-项集 D: k-1频繁项集
- 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
- Apriori算法所基于的先验性质是：非频繁项集的超集必定是非频繁的
- 对于关联规则 R：AÞB，其中A Ì I , B Ì I，并且 AÇB=F，规则R的置信度是指（ ） A: 包含A和B的事物数与包含B的事物数之比 B: 包含A和B的事物数与包含A的事物数之比 C: 包含A的事物数与包含B的事物数之比 D: 包含B的事物数与包含A的事物数之比 E: 包含A或B的事物数与包含A的事物数之比 F: 包含A或B的事物数与包含B的事物数之比