ECLAT-taajuusesiintymien louhinta
ECLAT, jonka Mohammed Zaki esitteli vuonna 2000, louhii taajuusesiintymiä käyttäen vertikaalista datan esitystapaa: sen sijaan, että skannattaisiin transaktioita, se tallentaa jokaiselle alkiolle transaktiotunnisteiden (tidset) joukon, joka sisältää sen, ja laskee minkä tahansa esiintymän tuen leikkaamalla tidsettejä. Tämä syvyyssuuntainen, leikkauspohjainen lähestymistapa on nopea ja muistitehokas, vaihtoehto Apriorin horisontaalisille skannauksille ja FP-Growthin puurakenteelle.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/fi/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.
- Assosiaatiosääntöjen louhinta (Apriori)Koneoppiminen↔ compare
- Formaali konseptianalyysi (FCA)Pehmeä laskenta↔ compare
- FP-Growth (Frequent Pattern Growth)Koneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →