发现满足最小支持度阈值的所有项集，这些项集被称为频繁项集。()

对频繁项集、频繁闭项集、极大频繁项集的关系描述正确的是（ ）[注：分别以1、2、3代表之] 什么是频繁项集？ 什么是频繁项集 满足最小支持度和最小置信度的关联规则叫（ ?）。 利用Apriori算法计算频繁项集可以有效降低计算频繁集的时间复杂度。在以下的购物篮中产生支持度不小于3的候选3-项集，在候选2-项集中需要剪枝的是（）ID 项集1 面包、牛奶2 面包、尿布、啤酒、鸡蛋3 牛奶、尿布、啤酒、可乐4 面包、牛奶、尿布、啤酒5 面包、牛奶、尿布、可乐 从三个频繁项集 {1, 2}, {1, 3}, {1, 4} 中能生成以下哪个可能频繁的项集： 具有较高的支持度的项集具有较高的置信度。 具有较高的支持度的项集具有较高的置信度（） 考虑如下的频繁3-项集：{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）根据Apriori算法的候选项集生成方法，写出利用频繁3-项集生成的所有候选4-项集。 （b）写出经过剪枝后的所有候选4-项集。 考虑如下的频繁3-项集：{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）根据Apriori算法的候选项集生成方法，写出利用频繁3-项集生成的所有候选4-项集。（b）写出经过剪枝后的所有候选4-项集 非频繁项集的子集一定是非频繁的（） 利用Apriori算法计算频繁项集可以有效降低计算频繁集的时间复杂度。在以下的购物篮中产生支持度不小于3的候选3-项集，在候选2-项集中需要剪枝的是（） ID 项集 1 面包、牛奶 2 面包、尿布、啤酒、鸡蛋 3 牛奶、尿布、啤酒、可乐 4 面包、牛奶、尿布、啤酒 5 面包、牛奶、尿布、可乐 一个关联规则同时满足最小支持度和最小置信度，我们称之为（） 非频繁项集的子集一定是非频繁的（） 为了构建FP-树,需要将频繁项集按升序排列 频繁项集的子集也一定是频繁的，这属于（）技术的核心思想。 在多维关联规则挖掘中，我们搜索的不是频繁项集，而是（） 在多维关联规则挖掘中，我们搜索的不是频繁项集，而是（） Apriori算法扫描数据库的次数等于最大频繁项集的项数。() 利用可以帮助减少频繁项集产生时需要探查的候选项个数