FP-Růst (Růst častých vzorů)
FP-Růst, představený Jiawei Hanem, Jian Pei a Yiwen Yin v roce 2000, těží časté množiny položek z transakčních dat bez generování kandidátních množin, což je nákladný krok, který zpomaluje klasický algoritmus Apriori. Komprimuje databázi do stromu častých vzorů (FP-strom) dvěma průchody, poté rekurzivně rozvíjí časté vzory z této struktury, čímž je dramaticky rychlejší než Apriori na velkých, hustých datových sadách.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/cs/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.
- Asociační dolování pravidel (Apriori)Strojové učení↔ compare
- ECLAT Těžba častých množin položekStrojové učení↔ compare
- Formální analýza konceptů (FCA)Soft computing↔ compare
- K-Means shlukováníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →