Frequency-based mining of associati

Frequency-based mining of association rules sometimes suffers rule quality problems. In this paper, we introduce a new measure called surprisal that estimates the informativeness of transactional instances and attributes. We eliminate noisy and uninformative data using the surprisal first, and then generate association rules of good quality. Experimental results show that the surprisal-based pruning improves quality of association rules in question item response datasets signifi-cantly

결과 (한국어) 1:

주파수 기반 마이닝 협회 규칙의 가끔 규칙 품질 문제를 겪고 있다. 이 논문에서는, surprisal는 트랜잭션 인스턴스 및 특성의 informativeness 라는 새로운 측정을 소개 합니다. 우리는 surprisal를 사용 하 여 먼저, 소음과 정보 데이터를 제거 하 고 좋은 품질의 협회 규칙을 생성. 실험 결과 보기 surprisal 기반 정리 질문 항목 응답 데이터 집합 반드시 cantly에서 협회 규칙의 품질을 향상

결과 (한국어) 2:

연관 규칙 기반의 주파수 마이닝 때로는 룰 품질 문제를 겪고있다. 본 논문에서는 트랜잭션 인스턴스 및 속성의 정보 성을 추정 surprisal라는 새로운 측정을 소개합니다. 우리는 먼저 surprisal를 사용하여 소음과 가치가없는 데이터를 제거하고 좋은 품질의 연관 규칙을 생성합니다. 실험 결과 surprisal 기반의 가지 치기는 질문 항목의 응답 데이터 세트 signifi - cantly에서 연관 규칙의 품질을 향상 것을 보여

결과 (한국어) 3:

주파수 기본 규칙을 마이닝 때때로 제 품질 문제 때문에.이 글은 걸 surprisal 측정 아마 사무적인 경우, 속성 정보.우리는 제거 시끄러워, 공허한 데이터 사용 surprisal 첫째, 그리고 생성 규칙 품질이 매우 좋다.실험의 결과 기초 가지를 surprisal 품질 문제가 아니라 관련 규칙을 현저한 프로젝트 반응이 데이터 세트