FP-Growth (Frequent Pattern Growth)
FP-Growth, eingeführt von Jiawei Han, Jian Pei und Yiwen Yin im Jahr 2000, extrahiert häufige Itemsets aus Transaktionsdaten, ohne Kandidatenmengen zu generieren – der kostspielige Schritt, der den klassischen Apriori-Algorithmus verlangsamt. Es komprimiert die Datenbank in zwei Durchläufen in einen Frequent-Pattern Tree (FP-Tree) und extrahiert dann rekursiv häufige Muster aus dieser Struktur, was es auf großen, dichten Datensätzen dramatisch schneller macht als Apriori.
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.
+8 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/de/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.
- Assoziationsregel-Mining (Apriori)Maschinelles Lernen↔ compare
- ECLAT Frequent-Itemset MiningMaschinelles Lernen↔ compare
- Formale Begriffsanalyse (FBA)Soft Computing↔ compare
- K-Means-ClusteringMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →