FP-Growth (Често срещани модели)
FP-Growth, представен от Jiawei Han, Jian Pei и Yiwen Yin през 2000 г., извлича често срещани набори от елементи от транзакционни данни, без да генерира кандидат-набори — скъпата стъпка, която забавя класическия алгоритъм Apriori. Той компресира базата данни в дърво на често срещани модели (FP-tree) с две сканирания, след което рекурсивно изгражда често срещани модели от тази структура, което го прави драстично по-бърз от Apriori върху големи, плътни набори от данни.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Източници
- Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. ACM SIGMOD Record, 29(2), 1–12. DOI: 10.1145/342009.335372 ↗
- Han, J., Pei, J., Yin, Y., & Mao, R. (2004). Mining frequent patterns without candidate generation: a frequent-pattern tree approach. Data Mining and Knowledge Discovery, 8(1), 53–87. DOI: 10.1023/B:DAMI.0000005258.31418.83 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/bg/machine-learning/fp-growth
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Откриване на асоциативни правила (Apriori)Машинно обучение↔ compare
- ECLAT добиване на чести набори от елементиМашинно обучение↔ compare
- Формален анализ на понятия (Formal Concept Analysis, FCA)Меки изчисления↔ compare
- Клъстериране с К-средниМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →