ECLAT : Extraction de sous-ensembles d'items fréquents
ECLAT, introduit par Mohammed Zaki en 2000, extrait les sous-ensembles d'items fréquents à l'aide d'une représentation verticale des données : au lieu de parcourir les transactions, il stocke pour chaque item l'ensemble des identifiants de transaction (un tidset) qui le contiennent, et calcule le support de tout sous-ensemble d'items en intersectant les tidsets. Cette approche par parcours en profondeur, basée sur l'intersection, est rapide et économe en mémoire, une alternative aux parcours horizontaux d'Apriori et à l'arbre de FP-Growth.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/fr/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.
- Exploration de règles d'association (Apriori)Apprentissage automatique↔ compare
- L'analyse formelle de concepts (FCA)Soft computing↔ compare
- FP-Growth (Frequent Pattern Growth)Apprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →