ECLAT Frequent-Itemset Mining
ECLAT, eingeführt von Mohammed Zaki im Jahr 2000, extrahiert häufige Itemsets mithilfe einer vertikalen Datenrepräsentation: Anstatt Transaktionen zu scannen, speichert es für jeden Artikel die Menge der Transaktions-IDs (ein Tidset), die ihn enthalten, und berechnet die Unterstützung (Support) jedes Itemsets durch die Schnittmenge von Tidsets. Dieser tiefensuchende, schnittmengenbasierte Ansatz ist schnell und speichereffizient und stellt eine Alternative zu den horizontalen Scans von Apriori und dem Baum von FP-Growth dar.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/de/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.
- Assoziationsregel-Mining (Apriori)Maschinelles Lernen↔ compare
- Formale Begriffsanalyse (FBA)Soft Computing↔ compare
- FP-Growth (Frequent Pattern Growth)Maschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →