支持度
优点：支持度高说明这条规则可能适用于数据集中的大部分事务。
缺点：若支持度阈值过高，则许多潜在的有意义的模式由于包含支持度小的项而被删去；若支持度阈值过低，则计算代价很高而且产生大量的关联模式。
置信度
优点：置信度高说明如果满足了关联规则的前件，同时满足后件的可能性也非常大。
缺点：找到负相关的关联规则。
提升度：
优点：提升度可以评估项集A的出现是否能够促进项集B的出现。
缺点：会产生出现伪相互独立的规则。
（简答题）
分别说明利用支持度、置信度和提升度评价关联规则的优缺点。
正确答案
答案解析
略
相似试题
（简答题）
下表所示的相依表汇总了超级市场的事务数据。其中hot dogs指包含热狗的事务，指不包含热狗的事务。hamburgers指包含汉堡的事务，指不包含汉堡的事务。 假设挖掘出的关联规则是“hot dogs=>hamburgers”。给定最小支持度阈值25%和最小置信度阈值50%，这个关联规则是强规则吗？ 计算关联规则“hot dogs=>hamburgers”的提升度，能够说明什么问题？购买热狗和购买汉堡是独立的吗？如果不是，两者间存在哪种相关关系？
（简答题）
数据集如下表所示： （a）把每一个事务作为一个购物篮，计算项集{e}，{b，d}和{b，d，e}的支持度。 （b）利用（a）中结果计算关联规则{b，d}→{e}和{e}→{b，d}的置信度。置信度是一个对称的度量吗？ （c）把每一个用户购买的所有商品作为一个购物篮，计算项集{e}，{b，d}和{b，d，e}的支持度。 （d）利用（b）中结果计算关联规则{b，d}→{e}和 {e}→{b，d}的置信度。置信度是一个对称的度量吗？
（判断题）
具有较高的支持度的项集具有较高的置信度。
（简答题）
一个数据库有5个事务，如表所示。设min_sup=60%，min_conf=80%。 （a）分别用Apriori算法和FP-growth算法找出所有频繁项集。比较两种挖掘方法的效率。 （b）比较穷举法和Apriori算法生成的候选项集的数量。 （c）利用（1）所找出的频繁项集，生成所有的强关联规则和对应的支持度和置信度。
（名词解析）
支持度
（单选题）
支持度（support）是衡量兴趣度度量（）的指标。
（判断题）
关联规则挖掘过程是发现满足最小支持度的所有项集代表的规则。
（简答题）
简述在多层关联规则挖掘中，在不同的层使用一致的支持度的优缺点。
（单选题）
以下哪个指标不是表示对象间的相似度和相异度？（）
