FP-Growth (Frequent Pattern Growth)
Az FP-Growth algoritmust, amelyet Jiawei Han, Jian Pei és Yiwen Yin vezetett be 2000-ben, nem generál jelölt halmazokat, ami a klasszikus Apriori algoritmus lassulásának oka. Ehelyett a tranzakciós adatokból bányássza a gyakori elemhalmazokat. Két adatbázis-átvizsgálással tömöríti az adatbázist egy gyakori mintázatfává (FP-tree), majd rekurzívan növeszti a mintázatokat ebből a struktúrából, így drámaian gyorsabb, mint az Apriori nagy, sűrű adathalmazokon.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/hu/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.
- Asszociációs szabálymining (Apriori)Gépi tanulás↔ compare
- ECLAT Gyakori Elemtartalom BányászatGépi tanulás↔ compare
- Formális fogalomelemzés (FCA)Lágy számítási módszerek↔ compare
- K-Means klaszterezésGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →