เปรียบเทียบวิธี

	FP-Growth (Frequent Pattern Growth)	การจัดกลุ่มแบบ K-Means
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000	1967
ผู้ริเริ่ม	Jiawei Han, Jian Pei & Yiwen Yin	MacQueen, J.
ประเภท	Frequent-itemset mining algorithm	Partitional clustering (centroid-based)
แหล่งต้นตำรับ	Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. ACM SIGMOD Record, 29(2), 1–12.	MacQueen, J. (1967). Some Methods for Classification and Analysis of Multivariate Observations. Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability, 1, 281–297.
ชื่อเรียกอื่น	frequent pattern growth, FP-tree mining, FP-Growth algorithm, sık örüntü büyütme	K-Ortalamalar Kümeleme, k-ortalamalar kümeleme, k-means, centroid clustering
ที่เกี่ยวข้อง	4	3
สรุป	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.	K-Means Clustering is a centroid-based partitional clustering algorithm, traced to J. MacQueen in 1967, that splits data into k clusters by assigning each observation to its nearest cluster centre. It is widely used for marketing segmentation, customer grouping, and exploratory analysis.