Secvenču modeļu ieguve
Secvenču modeļu ieguve atklāj secīgus modeļus, kas atkārtojas vairākās notikumu secībās datubāzē. Ieviesti Agrawala un Srikanta 1995. gadā, tie paplašina asociācijas likumu ieguvi laika secīgiem darījumam. Modelis ir biežs, ja tas parādās kā secīga apakšsecība vismaz lietotāja noteiktā daļā no visām secībām. Metode tiek plaši pielietota visur, kur notikumu secībai ir nozīme, piemēram, klientu pirkumu vēsturē, klikšķu plūsmas žurnālos, elektroniskajos veselības datos un DNS secību analīzē.
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
- Agrawal, R., & Srikant, R. (1995). Mining sequential patterns. IEEE International Conference on Data Engineering (ICDE), 3–14. DOI: 10.1109/ICDE.1995.380415 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Sequential Pattern Mining. ScholarGate. https://scholargate.app/lv/machine-learning/sequence-mining
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
- FP-Growth (biežo kopu augšana)Mašīnmācīšanās↔ compare
- Procesu ieguve (Process Mining)Procesu ieguve↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →