中国大学慕课《数据挖掘与python实践》第四单元测验

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（ ）。

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（ ）。

3.如下表所示，X={butter, cheese}，Y={beer}，则置信度confidence(X→Y)=（ ）。

4.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（ ）。

5.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。

6.在FP-growth构建频繁模式树中，每个（ ）（除根结点外）代表一个单项，树中的每条（ ） 代表原数据中每一个条目的各个项。如果把条目内的项组合在一起看成一个字符串，则字符串前缀相同时共享相同的（ ） 。

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.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。

9.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。

10.在结构化数据中进行关联分析发现其中的频繁模式和关联规则。对于取值连续的属性，首先将其离散化，然后将每个取值区间作为一个值，继而转化为“属性=值”的形式。

11.具体来讲，若一个项集X的支持度大于用户给定的一个最小支持度阈值， 则X被称为频繁项集（或频繁模式）。

12.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。

13.FP-growth算法无须生成候选项集的方法，可以避免产生大量候选项集。

14.Python在调用efficient-apriori包中的apriori函数训练挖掘关联规则时，设定最小支持度的参数是min_surpport
15.Python在调用efficient-apriori包中的apriori函数训练挖掘关联规则时，设定最小置信度的参数是min_confidence