ECLAT Frekvent Postmängdsutvinning
ECLAT, introducerat av Mohammed Zaki år 2000, utvinner frekventa postmängder med hjälp av en vertikal datarepresentation: istället för att skanna transaktioner lagras för varje post mängden av transaktions-ID:n (en tidset) som innehåller den, och stödet för en postmängd beräknas genom att skära samman tidsets. Detta djup-först, snittbaserade angreppssätt är snabbt och minneseffektivt, ett alternativ till Aprioris horisontella skanningar och FP-Growths träd.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/sv/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.
- Association Rule Mining (Apriori)Maskininlärning↔ compare
- Formell konceptanalys (FCA)Soft computing↔ compare
- FP-Growth (Frequent Pattern Growth)Maskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →