FP-Growth (Frequent Pattern Growth)
FP-Growth, introduceret af Jiawei Han, Jian Pei og Yiwen Yin i år 2000, udvinder hyppige itemsets fra transaktionsdata uden at generere kandidatsæt, hvilket er det omkostningstunge trin, der bremser den klassiske Apriori-algoritme. Den komprimerer databasen til et hyppigt mønstertræ (FP-tree) i to gennemskrivninger og udvinder derefter hyppige mønstre rekursivt fra denne struktur, hvilket gør den dramatisk hurtigere end Apriori på store, tætte datasæt.
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.
+8 more
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/da/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.
- Association Rule Mining (Apriori)Maskinlæring↔ compare
- ECLAT Frequent-Itemset MiningMaskinlæring↔ compare
- Formel konceptanalyse (FCA)Soft computing↔ compare
- K-Means ClusteringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →