ECLAT Gyakori Elemtartalom Bányászat
Az ECLAT-ot, amelyet Mohammed Zaki vezetett be 2000-ben, függőleges adatreprezentációt használva bányászik gyakori elemtartalmakat: a tranzakciók szkennelése helyett minden elemhez tárolja azon tranzakciók azonosítóinak halmazát (tidset), amelyek tartalmazzák azt, és bármely elemtartalom támogatását a tidsetek metszetével számítja ki. Ez a mélységi, metszet-alapú megközelítés gyors és memóriahatékony, alternatívát kínálva az Apriori vízszintes szkenneléseivel és az FP-Growth fával szemben.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/hu/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.
- Asszociációs szabálymining (Apriori)Gépi tanulás↔ compare
- Formális fogalomelemzés (FCA)Lágy számítási módszerek↔ compare
- FP-Growth (Frequent Pattern Growth)Gépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →