Question

我一直在尝试在我的交易文件中有大约7百万条记录的数据集上使用cSPADE（700万条唯一的sequenceID x eventID对）。当我尝试在此数据集上运行cSPADE时得到的支持结果似乎完全错误。但是，当我使用~86,000条记录（前一个文件的头部，或多或少）时，结果看起来正确。我注意到，到目前为止，详细日志打印出只使用了1个分区，而当我尝试~850,000条记录时，使用了3个分区。

使用100,000条记录时的详细输出（结果合理）：

> s1 <- cspade(trans, parameter = list(support = 0.1,maxlen=1), control = list(verbose = TRUE))

parameter specification:
support : 0.1
maxsize :  10
maxlen  :   1

algorithmic control:
bfstype  : FALSE
verbose  :  TRUE
summary  : FALSE
tidLists : FALSE

preprocessing ... 1 partition(s), 1.98 MB [0.7s]
mining transactions ... 0 MB [0.21s]
reading sequences ... [0.03s]

total elapsed time: 0.94s

> summary(s1)
set of 14 sequences with

most frequent items:
      A       B       C       D       E (Other) 
      2       2       1       1       1       8 

.
.
.
summary of quality measures:
    support      
 Min.   :0.1306  
 1st Qu.:0.3701  
 Median :0.7021  
 Mean   :0.5773  
 3rd Qu.:0.7184  
 Max.   :0.9903  

includes transaction ID lists: FALSE 

mining info:
  data ntransactions nsequences support
 trans         83686      10059     0.1

使用1000,000条记录时的详细输出（结果看错了）：

> s1 <- cspade(trans, parameter = list(support = 0.1,maxlen=1), control = 
list(verbose = TRUE))

parameter specification:
support : 0.1
maxsize :  10
maxlen  :   1

algorithmic control:
bfstype  : FALSE
verbose  :  TRUE
summary  : FALSE
tidLists : FALSE

preprocessing ... 3 partition(s), 19.55 MB [4.6s]
mining transactions ... 0 MB [0.6s]
reading sequences ... [0.01s]

total elapsed time: 5.19s

> summary(s1)

set of 0 sequences with

most frequent items:
integer(0)

most frequent elements:
integer(0)

element (sequence) size distribution:
< table of extent 0 >

sequence length distribution:
< table of extent 0 >

summary of quality measures:
< table of extent 0 >

includes transaction ID lists: FALSE 

mining info:
  data ntransactions nsequences support
 trans        826830      96238     0.1

我发现在调用cSPADE时我可以将分区数设置为1并修复了问题。但是，cSPADE会输出警告：

s1 <- cspade(trans, parameter = list(support = 0.1,maxlen=1), control = list(verbose = TRUE,numpart=1))

Warning message: In cspade(trans, parameter = list(support = 0.1, maxlen = 1), control = list(verbose = TRUE,  :  'numpart' less than recommended

我需要留意这个警告吗？设置numpart = 1（强制#partitions为1）的缺点是什么？如果有的话，有没有办法让我在不控制这个参数的情况下得到正确的答案？

Answer 1

为了可能遇到同样问题的其他人的利益。我最后通过电子邮件向作者发送了包裹。他说这不是一个已知的问题，并建议我坚持numpart = 1。

来自R（arulesSequences）的cSPADE带有大数据的奇数结果。我可以强制numpart到1吗？有风险吗？

1 个答案: