FP-Growth (Frequent Pattern Growth)
FP-Growth, wprowadzony przez Jiawei Han, Jian Pei i Yiwen Yin w 2000 roku, wydobywa częste zbiory elementów z danych transakcyjnych bez generowania zbiorów kandydackich — kosztownego etapu, który spowalnia klasyczny algorytm Apriori. Kompresuje bazę danych do drzewa częstych wzorców (FP-tree) w dwóch skanach, a następnie rekurencyjnie rozwija częste wzorce z tej struktury, co czyni go znacznie szybszym od Apriori na dużych, gęstych zbiorach danych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/pl/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.
- Górnictwo reguł asocjacyjnych (Apriori)Uczenie maszynowe↔ compare
- Górnictwo częstych zbiorów elementów ECLATUczenie maszynowe↔ compare
- Analiza Formalnych Konceptów (FCA)Obliczenia miękkie↔ compare
- Klasteryzacja K-średnichUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →