第四单元 关联规则挖掘

第四单元 关联规则挖掘

1. Python在调用efficient-apriori包中的apriori函数进行挖掘关联规则时，第一个返回值是（）。
   A.关联规则
   B.频繁项集
   C.最小置信度
   D.最小支持度

2. Python在调用efficient-apriori包中的apriori函数进行挖掘关联规则时，第二个返回值是（）。
   A.关联规则
   B.最小支持度
   C.频繁项集
   D.最小置信度

3. 如下表所示，X={butter,cheese}，则支持度support(X)=（）。
   交易号（TID）商品（Items）
   1 beer,diaper,nuts
   2 beer,biscuit,diaper
   3 bread,butter,cheese
   4 beer,cheese,diaper,nuts
   5 beer,butter,cheese,nuts
   A.1/5
   B.3/5
   C.4/5
   D.2/5

4. 如下表所示，X={butter,cheese}，Y={beer}，则置信度confidence(X→Y)=（）。
   交易号（TID） 商品（Items）
   1 beer,diaper,nuts
   2 beer,biscuit,diaper
   3 bread,butter,cheese
   4 beer,cheese,diaper,nuts
   5 beer,butter,cheese,nuts
   A.1/4
   B.1/2
   C.1/3
   D.2/5

5. 对于任一个频繁项集X和它的一个非空真子集Y，S=X-Y，规则S→Y成立的条件是（）。A.confidence(S→Y)≥minconf
   B.confidence(Y→S)<minconf
   C.confidence(S→Y)<minconf
   D.confidence(Y→S)≥minconf

6. 在多层次关联规则分析中，如果将商品进行归类，每一商品类别的支持度会（）其包含的每个商品的支持度，从而有利于发现一些有意义的频繁模式或关联规则。
   A.小于
   B.等于
   C.不确定
   D.大于

7. 购买了此商品后还会购买的商品，它们的地位是平等的，其中涉及了时间和顺序的概念，强调的是一个规则，也就是我们所说的关联规则。×

8. 如果一个项集是不频繁的，则其所有的超集都是不频繁的。利用这一性质可以简化Apriori算法中的计算过程。√

9. 逐层发现算法Apriori发现频繁项集的过程是按照项集的长度由大到小逐级进行的。×

10. 利用项的概念层次信息，不仅可以发现涉及那些出现频率比较低的商品的频繁模式和关联规则，而且还可以发现概括性更强的规则。√

11. 若Y和Z是X的两个不同的k项子集，只有当confidence(X-Y→Y)≥minconf和confidence(X-Z→Z)≥minconf都满足时，X-(Y∪Z)→(Y∪Z)一定成立。×

12. 如果一个规则X→Y同时满足support(X→Y)≥minsup和confidence(X→Y)≥minconf，则称该规则在数据库D中成立，其中minsup和minconf分别是用户给定的最小支持度和最小置信度的阈值。√

13. 给定最小支持度阈值minsup，一个频繁项集的所有非空子集都是频繁的。√‘

14. 给定一个频繁负项集X，我们可以从中发现隐含的负关联规则。负项集和负关联规则统称为负模式。

15. 如果一个规则和其祖先规则具有近似相同的置信度，则该规则称为冗余规则。为了减少发现的规则数目，可以将其从输出的结果中删除。