استخراج مجموعه اقلام پرتکرار ECLAT
ECLAT که در سال ۲۰۰۰ توسط محمد زکی معرفی شد، مجموعه اقلام پرتکرار را با استفاده از نمایش داده عمودی استخراج میکند: به جای پیمایش تراکنشها، برای هر قلم، مجموعه شناسههای تراکنش (مجموعه شناسه تراکنش یا tidset) که آن را شامل میشوند را ذخیره میکند و پشتیبانی هر مجموعه قلم را با اشتراک مجموعههای شناسه تراکنش محاسبه میکند. این رویکرد مبتنی بر اشتراک و پیمایش عمقی، سریع و کممصرف از نظر حافظه است و جایگزینی برای پیمایشهای افقی آپریوری و درخت FP-Growth محسوب میشود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/fa/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.
- کاوش قوانین انجمنی (آپریوری)یادگیری ماشین↔ compare
- تحلیل مفهوم صوری (FCA)محاسبات نرم↔ compare
- FP-Growth (رشد الگوی پرتکرار)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →