เปรียบเทียบวิธี

	ต้นไม้ตัดสินใจ	FP-Growth (Frequent Pattern Growth)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1984	2000
ผู้ริเริ่ม	Breiman, Friedman, Olshen & Stone	Jiawei Han, Jian Pei & Yiwen Yin
ประเภท	Recursive partitioning (if-then rules)	Frequent-itemset mining algorithm
แหล่งต้นตำรับ	Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and Regression Trees. Wadsworth.	Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. ACM SIGMOD Record, 29(2), 1–12.
ชื่อเรียกอื่น	Karar Ağacı (Decision Tree), karar ağacı, classification tree, regression tree	frequent pattern growth, FP-tree mining, FP-Growth algorithm, sık örüntü büyütme
ที่เกี่ยวข้อง	5	4
สรุป	A Decision Tree is an interpretable classification and regression method, formalised by Breiman, Friedman, Olshen and Stone in their 1984 CART framework, that partitions the data with hierarchical if-then rules. Each split sends observations down one branch or another until a prediction is read off the leaf.	FP-Growth, introduced by Jiawei Han, Jian Pei, and Yiwen Yin in 2000, mines frequent itemsets from transaction data without generating candidate sets, the costly step that slows the classic Apriori algorithm. It compresses the database into a frequent-pattern tree (FP-tree) in two scans, then grows frequent patterns recursively from that structure, making it dramatically faster than Apriori on large, dense datasets.