Decision trees can be used to predi

Decision trees can be used to predict the value of some response variable that has been identified as being important. Driven by the response variable, rules like “people who drink and smoke die before 70” can be found. Association rule learning aims at finding similar rules but now without focusing on a particular response variable. The goal is to find rules of the form IF X THEN Y where X is often called the antecedent and Y the consequent. Such rules are also denoted as X ⇒ Y . X and Y can be any conjunction of “variable = value” terms. The only requirement is that X and Y are nonempty and any variable appears at most once in X and Y . Examples are IF smoker = no AND age ≥ 70 THEN drinker = yes for Table 3.1 or IF logic ≤ 6 AND duration > 50 THEN result = failed for Table 3.2. Typically, only categorical variables are considered. However, there are various techniques to transform numerical variables in categorical ones.
When learning association rules of the form X ⇒ Y , three metrics are frequently
used: support, confidence, and lift. Let NX be the number of instances for which
X holds. NY is the number of instances for which Y holds. NX∧Y is the number
of instances for which both X and Y hold. N is the total number of instances. The support of a rule X ⇒ Y is defined as

Results (Thai) 2:

ต้นไม้ตัดสินใจสามารถนำมาใช้ในการทำนายค่าของตัวแปรตอบสนองบางส่วนที่ได้รับการระบุว่าเป็นสิ่งที่สำคัญ ขับเคลื่อนด้วยตัวแปรตอบสนองกฎระเบียบเช่น "คนที่ดื่มและสูบบุหรี่ตายก่อน 70" สามารถพบได้ ในการหาจุดมุ่งหมายการเรียนรู้กฎสมาคมกฎที่คล้ายกัน แต่ตอนนี้ได้โดยไม่ต้องมุ่งเน้นไปที่การตอบสนองของตัวแปรโดยเฉพาะอย่างยิ่ง มีเป้าหมายที่จะพบกฎของรูปแบบแล้วถ้า X Y ที่ X มักจะเรียกว่ามาก่อนและ Y ที่เกิดขึ้น กฎระเบียบดังกล่าวยังมีการแสดงเป็น X ⇒ Y X และ Y สามารถร่วมของ "ตัวแปร value =" ข้อตกลงใด ๆ ข้อกำหนดเพียงอย่างเดียวคือการที่ X และ Y มีความว่างและตัวแปรใด ๆ ปรากฏขึ้นที่มากที่สุดครั้งหนึ่งใน X และ Y ตัวอย่างเช่นหากผู้สูบบุหรี่ = ไม่และอายุ≥ 70 ดื่มแล้ว = ใช่สำหรับตารางที่ 3.1 หรือถ้าตรรกะ≤ 6 และระยะเวลา> 50 แล้วส่งผลให้ = ล้มเหลวสำหรับตารางที่ 3.2 โดยปกติแล้วตัวแปรเด็ดขาดเพียง แต่ได้รับการพิจารณา . แต่มีเทคนิคต่างๆที่จะเปลี่ยนตัวแปรตัวเลขในคนที่เด็ดขาด
เมื่อเรียนรู้กฎความสัมพันธ์ของรูปแบบ X Y ⇒สามตัวชี้วัดที่มักจะ
ใช้การสนับสนุนความเชื่อมั่นและลิฟท์ ให้ NX เป็นจำนวนกรณีที่
X ถือ นิวยอร์กคือจำนวนของกรณีที่ Y ถือ NX∧Yเป็นจำนวน
กรณีที่ทั้ง X และ Y ถือ N คือจำนวนรวมของกรณี การสนับสนุนของกฎ X ⇒ Y ถูกกำหนดให้เป็น

Results (Thai) 3:

ต้นไม้การตัดสินใจสามารถทำนายค่าของตัวแปรที่ได้รับการระบุว่าเป็นสำคัญ ขับเคลื่อนโดยการตอบสนองตัวแปรกฎเหมือน " คนที่ดื่มและสูบตายก่อน 70 " สามารถพบได้ สมาคมการเรียนรู้กฎครั้งนี้มีจุดมุ่งหมายที่จะศึกษากฎระเบียบที่คล้ายกันแต่ตอนนี้โดยไม่เน้นตัวแปรตอบสนอง โดยเฉพาะเป้าหมายคือเพื่อค้นหากฎของแบบฟอร์มถ้า x แล้ว y เมื่อ x คือมักจะเรียกว่ามาก่อนและ Y จาก . กฎดังกล่าวยังแสดง⇒เป็น x y X และ Y สามารถใช้ใด ๆของ " ตัวแปร = ค่า " ข้อตกลง ความต้องการเพียงอย่างเดียวคือ x และ y เป็นเซตและตัวแปรปรากฏมากที่สุดเมื่อ x และ y ตัวอย่าง ถ้าสูบบุหรี่ = ไม่มี อายุ 70 แล้ว≥ drinker = ครับ โต๊ะ 31 หรือถ้าตรรกะ≤ 6 และระยะเวลา 50 แล้วผล = ล้มเหลวสำหรับตารางที่ 3.2 . โดยปกติเพียงตัวแปรจำแนกประเภทเป็นสำคัญ อย่างไรก็ตาม มีเทคนิคต่าง ๆเพื่อแปลงตัวแปรเชิงตัวเลขที่เด็ดขาด .
เมื่อการเรียนรู้สมาคมกฎของแบบฟอร์ม x ⇒ Y 3 เป็นวัดที่ใช้บ่อย
: สนับสนุน , ความมั่นใจ และยก ให้ NX เป็นหมายเลขของอินสแตนซ์ซึ่ง
x มากนิวยอร์กเป็นหมายเลขของอินสแตนซ์สำหรับ y ซึ่งถือ NX ∧ y เป็นเลข
ของอินสแตนซ์ซึ่งทั้ง X และ Y ค้างไว้ n คือ จำนวนของกรณี การสนับสนุนของกฎ X Y
⇒ หมายถึง