下表所示的相依表匯總了超級(jí)市場(chǎng)的事務(wù)數(shù)據(jù)。其中hot dogs指包含熱狗的事務(wù)，指不包含熱狗的事務(wù)。hamburgers指包含漢堡的事務(wù)，指不包含漢堡的事務(wù)。

假設(shè)挖掘出的關(guān)聯(lián)規(guī)則是“hot dogs=>hamburgers”。給定最小支持度閾值25%和最小置信度閾值50%，這個(gè)關(guān)聯(lián)規(guī)則是強(qiáng)規(guī)則嗎？
計(jì)算關(guān)聯(lián)規(guī)則“hot dogs=>hamburgers”的提升度，能夠說明什么問題？購買熱狗和購買漢堡是獨(dú)立的嗎？如果不是，兩者間存在哪種相關(guān)關(guān)系？

一個(gè)數(shù)據(jù)庫有5個(gè)事務(wù)，如表所示。設(shè)min_sup=60%，min_conf=80%。

（a）分別用Apriori算法和FP-growth算法找出所有頻繁項(xiàng)集。比較兩種挖掘方法的效率。
（b）比較窮舉法和Apriori算法生成的候選項(xiàng)集的數(shù)量。
（c）利用（1）所找出的頻繁項(xiàng)集，生成所有的強(qiáng)關(guān)聯(lián)規(guī)則和對(duì)應(yīng)的支持度和置信度。

考慮如下的頻繁3-項(xiàng)集：{1，2，3}，{1，2，4}，{1，2，5}，{1，3，4}，{1，3，5}，{2，3，4}，{2，3，5}，{3，4，5}。
（a）根據(jù)Apriori算法的候選項(xiàng)集生成方法，寫出利用頻繁3-項(xiàng)集生成的所有候選4-項(xiàng)集。
（b）寫出經(jīng)過剪枝后的所有候選4-項(xiàng)集。

數(shù)據(jù)集如下表所示：

（a）把每一個(gè)事務(wù)作為一個(gè)購物籃，計(jì)算項(xiàng)集{e}，{b，d}和{b，d，e}的支持度。
（b）利用（a）中結(jié)果計(jì)算關(guān)聯(lián)規(guī)則{b，d}→{e}和{e}→{b，d}的置信度。置信度是一個(gè)對(duì)稱的度量嗎？
（c）把每一個(gè)用戶購買的所有商品作為一個(gè)購物籃，計(jì)算項(xiàng)集{e}，{b，d}和{b，d，e}的支持度。
（d）利用（b）中結(jié)果計(jì)算關(guān)聯(lián)規(guī)則{b，d}→{e}和 {e}→{b，d}的置信度。置信度是一個(gè)對(duì)稱的度量嗎？