FP-Growth (Frequent Pattern Growth)
FP-Growth, introduit par Jiawei Han, Jian Pei et Yiwen Yin en 2000, extrait les itemsets fréquents des données transactionnelles sans générer d'ensembles candidats, l'étape coûteuse qui ralentit l'algorithme classique Apriori. Il compresse la base de données en un arbre de motifs fréquents (FP-tree) en deux balayages, puis génère récursivement des motifs fréquents à partir de cette structure, ce qui le rend considérablement plus rapide qu'Apriori sur de grands ensembles de données denses.
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.
+8 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/fr/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.
- Exploration de règles d'association (Apriori)Apprentissage automatique↔ compare
- ECLAT : Extraction de sous-ensembles d'items fréquentsApprentissage automatique↔ compare
- L'analyse formelle de concepts (FCA)Soft computing↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →