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:
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