เปรียบเทียบวิธี

	การทำเหมืองชุดรายการที่พบบ่อยด้วย ECLAT	การทำเหมืองกฎความสัมพันธ์ (Association Rule Mining) (Apriori)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000	1994
ผู้ริเริ่ม	Mohammed J. Zaki	Rakesh Agrawal & Ramakrishnan Srikant
ประเภท	Frequent-itemset mining algorithm (vertical format)	Unsupervised pattern discovery algorithm
แหล่งต้นตำรับ	Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering, 12(3), 372–390.	Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. ACM SIGMOD, 207–216.
ชื่อเรียกอื่น	Eclat algorithm, vertical association mining, tidset intersection mining, ECLAT sık örüntü madenciliği	Market Basket Analysis, Frequent Itemset Mining, Birliktelik Kuralı Madenciliği, Itemset Association Analysis
ที่เกี่ยวข้อง	3	3
สรุป	ECLAT, introduced by Mohammed Zaki in 2000, mines frequent itemsets using a vertical data representation: instead of scanning transactions, it stores for each item the set of transaction IDs (a tidset) that contain it, and computes the support of any itemset by intersecting tidsets. This depth-first, intersection-based approach is fast and memory-efficient, an alternative to Apriori's horizontal scans and FP-Growth's tree.	Association Rule Mining is an unsupervised data-mining technique that discovers co-occurrence patterns among items in transactional datasets. Formally introduced by Agrawal, Imieliński, and Swami in 1993, and refined with the landmark Apriori algorithm by Agrawal and Srikant in 1994, it identifies rules of the form X ⇒ Y — meaning that transactions containing itemset X tend to also contain itemset Y — quantified by support, confidence, and lift.