考虑表1中的购物篮事务数据集。 表1 购物篮事务数据集顾客ID事务ID购买项11{a,d,e}212{a,b,d,e}315{b,c,e}322{b,d,e}124{a,b,c,e}429{c,d}231{a,c,d,e}533{a,d,e}538{a,b,e}440{a,b,c}将每个事务ID视为一个购物篮，计算项集{e}，{b，d} 和{b，d，e}的支持度。（填写答案时，依次填写3个保留到小数点后1位的数值，并用半角的逗号“,”分隔）
A:
A:
A
本题目来自[网课答案]本页地址：https://www.wkda.cn/ask/toemzpxtezzmmxo.html
举一反三
- 考虑表1中的购物篮事务数据集。 表1 购物篮事务数据集顾客ID事务ID购买项11{a,d,e}212{a,b,d,e}315{b,c,e}322{b,d,e}124{a,b,c,e}429{c,d}231{a,c,d,e}533{a,d,e}538{a,b,e}440{a,b,c}使用上一题的计算结果，计算关联规则 {b，d}→{e}和{e}→{b，d} 的置信度。（填写答案时，依次填写2个保留到小数点后2位的数值，并用半角的逗号“,”分隔，例如： 0.75,1.00）
- 考虑如下数据集，其中Customer ID(顾客id),Transaction ID(事务id),Items Bought(购买 项)。如果将每个事务id看成一个购物篮，计算项集{e}, {b, d}, {b, d, e}的支持度：[img=581x242]17de909be1a6e52.png[/img] A: s({e}) =0.7 s({b, d})= 0.3 s({b, d, e})= 0.3 B: s({e}) =0.8 s({b, d})= 0. 1 s({b, d, e})= 0.1 C: s({e}) =0.8 s({b, d})= 0.2 s({b, d, e})= 0.2 D: s({e}) =0.6 s({b, d})= 0.4 s({b, d, e})= 0.3
- 假设一组数据为{a,b},{a,e},{b,c},{b,c,d},那么项集{d,c}的支持度为 A: 1/4 B: 1/2 C: 1/3 D: 2/3
- 频繁项集挖掘的一个典型例子是购物篮分析，该过程通过发现顾客放入他们“购物篮”中商品之间的关联，分析顾客的购物习惯。
- 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____[br][/br]ID 项集
内容
- 0
以下是某商场的购物记录集合，每个购物篮中包含若干商品。现在要基于该数据集进行关联规则挖掘，如果设置最小支持度为60%，最小置信度为80%，则在以下列出的关联规则中，符合条件的是______。 购物篮编号 商品 1 A，B 2 A，B，C，D 3 A，C，D 4 B，C 5 B，C，D A: A→B B: B→C C: C→B D: D→C
- 1
下面关于频繁项集、最大频繁项集和频繁闭项集的说法中，哪一个不正确？ A: 对于同一个事务数据库和一样的支持度阈值，最大频繁项集集合必然是频繁闭项集集合的子集 B: 对于同一个事务数据库和一样的支持度阈值，频繁闭项集必然是频繁项集 C: 若{A,B}和{A,B,C}的支持度不相等，则{A,B,C}的支持度比{A,B}的小 D: 若{A,B}和{A,B,C}的支持度相等，则{A,B,D}可能是闭项集
- 2
已知置信度为60%，支持度为60%，分别用Apriori算法和FP-Growth算出所有的频繁项集。 1 项 2 {A、B、C、D} 3 {B、C、D} 4 {A、B、C、E} 5 {B、D、E} 6 {A、B、C、D}
- 3
清朝前期的内务府负责的是（）。 A: A国家工商管理体系 B: B宫廷经济事务 C: C皇族工商经济事务 D: D民间工商事务 E: E民族企业的工商事务
- 4
若I={a，b，c，d}，D中含有10个事务，{a，b，c}是一个频繁项集，则以下叙述中错误的是（） A: {a，b，c，d}一定是频繁项集 B: {a，b}一定是频繁项集 C: ｛a，c｝一定是频繁项集 D: {b}一定是频繁项集