การทำเหมืองชุดรายการที่พบบ่อยด้วย ECLAT
ECLAT ซึ่งโมฮัมเหม็ด ซากี นำเสนอในปี 2000 ทำการขุดชุดรายการที่พบบ่อยโดยใช้การแสดงข้อมูลแบบแนวตั้ง: แทนที่จะสแกนธุรกรรม จะเก็บรายการของรหัสธุรกรรม (tidset) ที่มีรายการนั้นๆ และคำนวณความถี่ของชุดรายการใดๆ โดยการตัดกันของ tidsets วิธีการแบบเจาะลึกที่ใช้การตัดกันนี้รวดเร็วและประหยัดหน่วยความจำ ซึ่งเป็นทางเลือกแทนการสแกนแนวนอนของ Apriori และโครงสร้างต้นไม้ของ FP-Growth
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/th/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.
- การทำเหมืองกฎความสัมพันธ์ (Association Rule Mining) (Apriori)การเรียนรู้ของเครื่อง↔ compare
- การวิเคราะห์แนวคิดเชิงรูปนัย (Formal Concept Analysis - FCA)การคำนวณแบบอ่อน↔ compare
- FP-Growth (Frequent Pattern Growth)การเรียนรู้ของเครื่อง↔ compare