28.關於關聯法則的敘述，下列哪一項錯誤？
(A) 為找出所有頻繁項目集與找出頻繁項目集中具有強關聯規則的規則
(B) 從數量低的集合開始，當發現該集合不是頻繁的，則它的母集反而需要考 慮
(C) FP-growth 算法比 Apriori 算法更有效率
(D) 當資料集很大時，Apriori 算法需要不斷掃描資料集造成運行效率很低

解析

關聯法則 (Association Rule) 主要用來找出資料中項目間的關聯性，例如市場籃分析 (Market Basket Analysis)，常見算法包括：

• Apriori Algorithm
• FP-Growth Algorithm (Frequent Pattern Growth)

關聯規則主要有兩個階段：

1. 找出所有頻繁項目集 (Frequent Itemsets)
2. 找出強關聯規則 (Strong Association Rules)

選項分析

✅ (A) 為找出所有頻繁項目集與找出頻繁項目集中具有強關聯規則的規則 ✅ 正確

• 關聯規則挖掘分成兩個步驟：
  1. 找出頻繁項目集 (Frequent Itemsets)。
  2. 產生關聯規則 (Association Rules)。
• 這符合關聯法則的基本概念。

❌ (B) 從數量低的集合開始，當發現該集合不是頻繁的，則它的母集反而需要考慮 ❌錯誤

• Apriori 性質 (Apriori Property)：如果某個項目集不是頻繁的，那它的超集 (母集) 一定也不是頻繁的。
• 正確的做法是「剪枝」：當某個集合不是頻繁的，就不需要考慮它的母集，而不是反過來考慮母集。
• 錯誤點：「該集合不是頻繁的，則它的母集反而需要考慮」這句話是錯的，應該是「不需要考慮」。

✅ (C) FP-growth 算法比 Apriori 算法更有效率 ✅ 正確

• FP-Growth (Frequent Pattern Growth) 是 Apriori 的改進版本：
  • 它使用樹狀結構 (FP-Tree) 來儲存頻繁模式，減少了多次掃描數據集的需求。
  • 比 Apriori 快，特別適用於大數據集。

✅ (D) 當資料集很大時，Apriori 算法需要不斷掃描資料集造成運行效率很低 ✅ 正確

• Apriori 需要多次掃描整個數據集 (iterative candidate generation & testing)，這在大型數據集中會導致效能低下。
• 這是 FP-Growth 被設計來改進 Apriori 的主要原因。

結論

✔ 錯誤的選項是 (B)，因為如果某個集合不是頻繁的，那它的母集 (超集) 也不可能是頻繁的，所以應該直接剪枝，而不是繼續考慮母集。