數(shù)據(jù)集如下表所示：
（a）把每一個(gè)事務(wù)作為一個(gè)購物籃，計(jì)算項(xiàng)集{e}，{b，d}和{b，d，e}的支持度。
（b）利用（a）中結(jié)果計(jì)算關(guān)聯(lián)規(guī)則{b，d}→{e}和{e}→{b，d}的置信度。置信度是一個(gè)對稱的度量嗎？
（c）把每一個(gè)用戶購買的所有商品作為一個(gè)購物籃，計(jì)算項(xiàng)集{e}，{b，d}和{b，d，e}的支持度。
（d）利用（b）中結(jié)果計(jì)算關(guān)聯(lián)規(guī)則{b，d}→{e}和 {e}→{b，d}的置信度。置信度是一個(gè)對稱的度量嗎？
您可能感興趣的試卷
最新試題
數(shù)據(jù)存儲體系中并不牽扯計(jì)算機(jī)網(wǎng)絡(luò)這一環(huán)節(jié)。
數(shù)據(jù)收集中的拉模式需要通過定時(shí)的方式不斷地觸發(fā)，才能源源不斷地獲取對應(yīng)的數(shù)據(jù)。
管理員不需要驗(yàn)證就可以訪問數(shù)據(jù)存儲系統(tǒng)中的任何數(shù)據(jù)，這符合數(shù)據(jù)安全的要求。
當(dāng)數(shù)據(jù)集標(biāo)簽錯(cuò)誤的數(shù)據(jù)點(diǎn)時(shí)，隨機(jī)森林通常比AdaBoost更好。
對于文本數(shù)據(jù)和多媒體數(shù)據(jù)進(jìn)行特征提取是為了方便對于這類數(shù)據(jù)的觀察和理解。
給定用于2類分類問題的線性可分離數(shù)據(jù)集，線性SVM優(yōu)于感知器，因?yàn)镾VM通常能夠在訓(xùn)練集上實(shí)現(xiàn)更好的分類精度。
訓(xùn)練神經(jīng)網(wǎng)絡(luò)具有過度擬合訓(xùn)練數(shù)據(jù)的潛在問題。
數(shù)據(jù)復(fù)制或者備份均是為了從提高數(shù)據(jù)并發(fā)這個(gè)角度來設(shè)計(jì)和實(shí)現(xiàn)的。
選擇用于k均值聚類的聚類數(shù)k的一種好方法是嘗試k的多個(gè)值，并選擇最小化失真度量的值。
假設(shè)屬性的數(shù)量固定，則可以在時(shí)間上以線性方式學(xué)習(xí)基于高斯的貝葉斯最優(yōu)分類器，而該數(shù)量是數(shù)據(jù)集中記錄的數(shù)量。