The stronger the impact, the rarer

The stronger the impact, the rarer the situation tends to be (the Maxwell-Boltzmann distribution formalised this). This rarity makes the situation less predictable because we cannot learn trustworthy causes of the situation. This problem has been disturbing predictive data mining. You can predict the next event by following a frequent episode (partial sequence) found in the eventsequence of the past data, as long as no unusual change occurs (Mannila, 1995). Association rules learned from the data of baskets ± each containing a data set of items ± can also be used to predict items that will occur in a new basket if they were somehow frequently seen in the past baskets (Agrawal, 1993). For example, if you frequently buy blue cheese in combination with wine, then the prediction that you will want blue cheese if you buy wine will help the owner of the liquor store recommend blue cheese to you, unless you find something else to go with the wine. However, if there is an unusual (new) food product in the liquor store one day, this can cause a significant change in your choice if the

結果 (繁體中文) 1:

越強的影響，這種情況往往是罕見的（麥克斯韋 - 玻耳茲曼分佈形式化這一點）。因為我們無法得知守信情況的原因，這使得罕見的情況難以預料。此問題已被擾亂的預測數據挖掘。您可以按照過去的數據的eventsequence發現了一個頻繁發作（部分序列）預測未來的事件，只要沒有異常變化出現（Mannila，1995年）。關聯規則從籃子±每個都包含項目的數據集的數據了解到±也可以用來預測如果他們不知何故經常看到在過去籃（阿格拉瓦爾，1993年），將出現一個新的購物籃項目。例如，如果你經常買藍奶酪結合酒，然後預測你會如果你買的酒將有助於酒類專賣店的店主推薦藍紋奶酪給你，除非你發現別的東西去與酒要藍紋奶酪。但是，如果有一個不尋常的（新）食品酒類存儲一個天的產品，這樣可以在你的選擇，如果造成顯著變化

結果 (繁體中文) 2:

影響越強烈，情況就越罕見（麥克斯韋-博爾茨曼分佈正式化）。這種罕見情況使局勢難以預測，因為我們無法瞭解局勢的可信原因。此問題一直干擾預測資料採礦。只要不發生異常變化，就可以通過跟蹤過去資料的事件序列中的頻繁事件（部分序列）來預測下一個事件（Mannila，1995）。從籃子資料中學到的關聯規則（每個包含一組專案）也可以用來預測在以前籃子中經常看到的專案，這些專案將發生在新籃子中（Agrawal，1993年）。例如，如果你經常買藍乳酪與葡萄酒相結合，那麼預測，你會想要藍乳酪，如果你買葡萄酒將説明酒店的老闆推薦藍乳酪給你，除非你找到別的東西去與葡萄酒。但是，如果有一天，在酒類商店中有一種不尋常的（新）食品，如果

結果 (繁體中文) 3:

影響越大，情况就越少見（麥克斯韋-玻爾茲曼分佈形式化了這一點）。這種罕見性使情况變得不可預測，因為我們無法瞭解情况的可信原因。這個問題一直困擾著預測資料挖掘。只要沒有异常變化，你就可以通過在過去數據的事件序列中發現的頻繁事件（部分序列）來預測下一個事件（Mannila，1995）。從籃子數據中學習的關聯規則？每個籃子都包含一組資料項目？還可用於預測在過去籃子中頻繁出現的新籃子中的項目（Agrawal，1993）。例如，如果你經常購買藍色起司和葡萄酒，那麼如果你購買葡萄酒，你會想要藍色起司的預測將有助於酒類商店的店主向你推薦藍色起司，除非你找到了與葡萄酒搭配的其他東西。但是，如果有一天在酒類商店裏有一種不尋常的（新的）食品，如果