ECLAT bieži sastopamu kopu ieguve
ECLAT, ko 2000. gadā ieviesa Mohammed Zaki, ieguvē bieži sastopamas kopas, izmantojot vertikālu datu attēlojumu: tā vietā, lai skenētu transakcijas, tā katram elementam saglabā darījumu ID kopu (tidset), kas to satur, un aprēķina jebkuras kopas atbalstu, krustojot tidsetus. Šī dziļuma pirmā, krustojumu balstītā pieeja ir ātra un atmiņas ziņā efektīva, alternatīva Apriori horizontālajām skenēšanām un FP-Growth koku.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/lv/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.
- Asociatīvo likumu ieguve (Apriori)Mašīnmācīšanās↔ compare
- Formālā konceptu analīze (FCA)Mīkstā skaitļošana↔ compare
- FP-Growth (biežo kopu augšana)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →