EDzGBD/L/z3

Przetworzyć (przypisany do siebie) zbiór danych na dane zbinaryzowane, nadające się do dalszej pracy z algorytmem A priori.

Napisać skrypt wykrywający tzw. "zbiory częste" (1-sza część algorytmu Apriori). Argumenty do skryptu: dane oraz zadane minimalne wsparcie. Na wyjściu skrypt ma zwracać zbiory częste 1-elementowe, 2-elementowe, itd. aż do momentu stopu indukcji. Sugestie: (1) używać map haszujących (szybkość w sprawdzeniu, czy pewien zbiór jest na ewidencji zbiorów częstych), całą kolekcję zbiorów częstych można zwrócić jako wektor komórkowy, którego elementami będa mapy haszujące (np. F{2} zwróci hashmapę zbiorów jednoelementowych, itp.)

Napisać skrypt generujący reguły asocjacyjne (2-ga część algorytmu Apriori). Argumenty do skryptu: zbiory częste (wynik skryptu poprzedniego) oraz zadane minimalne zaufanie. Znalezione reguły wypisać na początek na ekran w formie czytelnej dla człowieka (numery odwzorowane w nazwy); później reguły zwrócić w formie dowolnej wygodnej struktury (np. wektor z poprzednikami reguł, wektor z następnikami reguł, wektor z zaufaniami, itp.)

Dla (przypisanych do siebie danych) wykonać serię eksperymentów nastawiająć różne minimalne wsparcia (np. 0.5, 0.3, 0.2) i zaufania (np. 1.0, 0.9, 0.8). Spróbować znaleźć (wzrokowo) ciekawe reguły wśród wypisanych przez program. Zwrócić szczególną uwagę na reguły dotyczące zmiennej decyzyjnej (dla danego zbioru).

Napisać skrypt wyświetlający wykres regułowy (dla reguły A -> B na osi argumentów położyć wsparcie A, na osi wartości zaufanie A -> B). Patrz też polecenie scatter w MATLABie. Skrypt powinien być funkcją otrzymującą na wejściu reguły z danego eskperymentu.

Zaprogramować skrypt przyjmujący na wejście listę reguł i wyszukujący wsród nich równoważności, np. a -> b i b -> a, to a <-> b. Przy każdej wyświetlanej równoważności wypisać zaufania, z jakimi pracuje strzałka wynikania postawiona w każdą ze stron.