从数据库D生成项集支持度计数

可以指定选项将决策树转换成规则集： 规则集名称：指定新生成规则集节点的名称 创建节点位置：选择新生成规则集节点的位置，可以选择工作区、GM选项板或两者 最小实例数：指定生成的规则集中保存的规则的最小实例数，低于指定值的规则将不显示 最低置信度：指定形成的规则集中保存的规则的最低置信度，低于指定值的规则将不显示

本算法基于有向项集图存储事务数据库中频繁项集信息，采用三叉链表结构组织有向项集图，并在此基础上提出最大频繁项集挖掘算法。该算法一次扫描事务数据库，有效减少I/O开销，适用于稀疏和稠密数据库的最大频繁项集挖掘。

在机器学习领域，生成候选集与频繁项集是重要的步骤。如果项集支持度计数不符合条件，如A,B,D和B,C,E，就不属于C3。具体的项集支持度计算显示，A,Bt4t、A,Ct4t、A,Et2t、B,Ct4t、B,Dt2t、B,Et2t是常见的组合。对于2-项集和3-项集的频繁计算，也是非常关键的。

垂直数据格式挖掘频繁项集可避免生成候选频繁项集，进而节省CPU开销。

这对于处理时需要将3D图像转换为2D图像进行配准的情况非常有用，例如基于地标的薄板样条方法。

在Matlab中，您可以使用这些小型函数集合从BodyParts3D数据库加载和绘制项目。要使用此代码，首先需下载BodyParts3D数据库的ISA树版本（isa_BP3D_4.0_obj_99.zip），包含大量文件对应于isa_element_parts.txt中的列表。下载链接：ftp://ftp.biosciencedbc.jp/archive/bodyparts3d/LATEST/isa_BP3D_4.0_obj_99.zip（136MB）。配置文件displ_body_parts.m中需更改OBJ_PATH和CACHE_PATH以适应您的系统设置。这样可以加快导入.obj文件的速度。

FUMFS算法优化了最大频繁项集的维护，利用已有BitMatrix和最大频繁项集，有效地更新挖掘结果。

在计算数据库记录条数时，通常认为 COUNT(*) 较慢，而 COUNT(1) 较快。然而，实际上，对于索引列进行 COUNT() 运算才是最快的。因此，优化记录计数的策略如下： 优先使用 COUNT() 函数对索引列进行计数。 如果无法使用索引列，则使用 COUNT(*) 代替 COUNT(1)。

在数据挖掘领域，支持度递减是一个重要的概念。它指的是随着数据集中项目集的大小增加，支持度递减的规则开始显现。这一现象揭示了在大数据背景下关联规则的变化模式。