FP-Growth (biežo kopu augšana)
FP-Growth, ko 2000. gadā ieviesa Jiawei Han, Jian Pei un Yiwen Yin, ieguva biežās kopas no darījumu datiem, negenerējot kandidātu kopas — dārgo darbību, kas palēnina klasisko Apriori algoritmu. Tas divās skenēšanās saspiež datubāzi biežo kopu kokā (FP-koks) un pēc tam rekursīvi veido biežās kopas no šīs struktūras, padarot to ievērojami ātrāku nekā Apriori lieliem, blīviem datu kopumiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/lv/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.
- Asociatīvo likumu ieguve (Apriori)Mašīnmācīšanās↔ compare
- ECLAT bieži sastopamu kopu ieguveMašīnmācīšanās↔ compare
- Formālā konceptu analīze (FCA)Mīkstā skaitļošana↔ compare
- K-Means klasterizācijaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →