Gaya Analisis dan Analisis Keranjang Pasar Analisis gaya gabung adalah atribut dari pembelajaran atau karakteristik

yaitu pergi bersama. Metode analisis gaya gabung juga dikenal sebagai analisis keranjang pasar mencari untuk membuka tutup dari asosiasi di tengah-tengah atribut tersebut. itu u ntuk mencari untuk membuka halaman depan dari aturan yang mengambil bentuk-bentuk jika antiseden kemudian konsekuen. Sepanjang dengan sebuah aturan dari pendukung dan konfiden sosial dengan aturan. Contohnya sebuah supermarket istimewa mungkin disana 1000 pelanggan yang berbelanja di kamis malam, 200 membeli diaper, dan diantara 200 yang membeli diaper 50 membeli bir. Demikian asosiasi aturan menjadi jika membeli diaper kemudian membeli bir dengan dukungan 50/100 = 5% dan konfiden 50/200=25%. Contoh dari asosiasi tugas di dalam bisnis dan penyelidikan berisi : Menyelidiki proporsi dari berlangganan pada perusahaan telepon selular anda, rencana itu mendapat respon positif untuk sebuah penawaran dari peningkatan servis memeriksa proporsi anak yang orang tuanya membaca kepada mereka yang juga adalah pembaca yang baik memprediksi degradasi dalam jaringan telekomunikasi mengetahui item mana yang di supermarket adalah pembelian bersama, dan item yang pernah membeli bersama-sama menentukan proporsi kasus di mana suatu obat baru akan menunjukkan efek samping yang berbahaya

Tipe apa dari algoritma yang dapat diterapkan ke aturan asosiasi dari partikular data set? Masalah yang menakutkan menunggu lebih banyak, algoritma yang mana yang dapat mengutuk dimensi, angka dari kemungkinan asosiasi aturan yang tumbuh menjelma di dalam angka dari atribut. Spesifiknya, jika ada atribut biner kami menghitung dirikami dari kejadian positif ( membeli diaper = ya) , ada derajat dari k, 2k-1 , kemungkinan aturan asosiasi menganggap bahwa aplikasi umum aturan asosiasi adalah analisis keranjang pasar dan mungkin bahwa ada ribuan atribut biner ( beli bir? beli popcorn? Beli susu? Beli roti, dll) pencarian masalah muncul di pandangan pertama yang menjadi tak ada harapan. Untuk contohnya, misalkan sebuah toko kecil hanya memiliki 100 item yang berbeda, dan pelanggan yang juga bisa membeli atau tidak membeli kominasinya dari 100 item. Kemudian ada 100.299=6.4 x 1031 kemungkinan aturan asosiasi yang menunggu pencarian algoritmamu.

Algoritma priori untuk aturan mining , asosiasi bagaimanapun mengambil keuntungan dari struktur dalam peraturan itu sendiri untuk mengurangi maslah pencarian ke ukuran yang lebih mudah dikelola. Sebelum kami memeriksa algoritma priori bagaimanapun mari kita perhatikan beberapa konsep dasar dan notasi untuk asosiasi aturan mining, kita mulai dengan contoh yang sederhana. Anggaplah bahwa seorang petani lokal telah mendirikan stan sayuran dan menawarkan item tersebut untuk dijual { asparagus, kacang, brokoli, jagung, grreen pepper, labu, tomat) menunjukan set item sebagai I, satu per satu pelanggan berhenti, mengambil keranjang, dan

membeli berbaga kombinasi item tersebut. himpunan bagian dari I (untuk tujuan kami, kami tidak melcak berapa banyak dari setiap item y ang dibeli, hanya apakah atau tidak baarang tertentu yang dibeli. Lihat daftra tabel 10.1 transaksi terbuat sampai sore hari di stan sayuran tersebut.

Data Representasi untuk Analisis Keranjang Pasar Ada dua metode utama yang mewakili tipe dari keranjang pasar, menggunakan jenis transaksi data format lainnya atau tabular data format. Transaksi data format hanya memerlukan dua bidang. Sebuah idang dan konten bidang, dengan setiap rekaman/ catatan mewakili hanya satu item. Contohnya data di tabel 10.1 dapat direpresentasikan menggunakan transaksi data format yang ditunjukan tabel 10.2. pada tabular data format, catatan lainnya merepresentasikan transaksi terpisah. Sebanyak 0/1 kolom sebagai item. Data dari tabel 10.1 dapat direpresentasikan menggunakan tabular data format seperti tabel 10.3

Support, Konfiden, frekunsi item set, dan sebuah properti priori. Data D menjadi set dari transaksi representasi di tabel 10.1 dimana transaksi lainnya T didalam D merupakan satu set item yang terandung dalam I. Misalkan kita memiliki satu set item set tertentu A (contoh buncis dan labu) dan lainnya dari data set B (asparagus). Kemudian B ( A -> B ) dimana antiseden A dan konsekuen B subset yang tepat dari I, A dan B saling eksklusive. Definisi ini akan mengecualikan, misalnya aturan sepele misalnya, jika kacang dan labu kemudian kacang.