ECLAT Frequent-Itemset Mining
ECLAT, introduceret af Mohammed Zaki i 2000, udvinder hyppige itemsets ved hjælp af en vertikal datarepræsentation: i stedet for at scanne transaktioner gemmes for hvert element sættet af transaktions-ID'er (et tidset), der indeholder det, og supporten for ethvert itemset beregnes ved at skære tidsets. Denne dybde-først, skæringsbaserede tilgang er hurtig og hukommelseseffektiv, et alternativ til Aprioris horisontale scanninger og FP-Growths træ.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering, 12(3), 372–390. DOI: 10.1109/69.846291 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/da/machine-learning/eclat
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.
- Association Rule Mining (Apriori)Maskinlæring↔ compare
- Formel konceptanalyse (FCA)Soft computing↔ compare
- FP-Growth (Frequent Pattern Growth)Maskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →