ECLAT Sık-Öğe Kümesi Madenciliği
ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal) · Ayrıca şöyle bilinir: Eclat algorithm, vertical association mining, tidset intersection mining, ECLAT sık örüntü madenciliği
ECLAT, Mohammed Zaki tarafından 2000 yılında tanıtılmış olup, sık-öğe kümelerini dikey veri temsili kullanarak madencilik yapar: işlemleri taramak yerine, her öğe için onu içeren işlem kimlikleri kümesini (bir tidset) depolar ve herhangi bir öğe kümesinin desteğini tidset'leri kesiştirerek hesaplar. Bu derinlemesine, kesişim tabanlı yaklaşım, Apriori'nin yatay taramalarına ve FP-Growth'un ağacına bir alternatif olarak hızlı ve bellek açısından verimlidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
ECLAT'ı, dikey, kesişim tabanlı bir yaklaşımın verilere uygun olduğu durumlarda sık-öğe kümesi madenciliği için kullanın - yoğun veri kümelerinde genellikle çok hızlıdır ve tekrarlanan veritabanı taramalarından kaçınır, bu da onu Apriori'ye güçlü bir alternatif ve FP-Growth'a denk hale getirir. Tidset'lerin orta boyutta olduğu ve belleğe sığdığı durumlarda parlar ve fark kümesi varyantı yoğun verileri iyi işler. Maliyetleri: sık öğeler için tidset'ler büyük ve büyük seyrek veri kümelerinde bellek açısından ağır olabilir, ara kesişimler ek yük getirir ve destek tabanlı tüm madencilik gibi minimum destek eşiğine duyarlıdır. Her zaman olduğu gibi, sık öğe kümeleri yalnızca ilk aşamadır; güvenilirlik/kaldırma ile birliktelik kuralları daha sonra oluşturulur. Veri yoğunluğu ve belleğe göre ECLAT, FP-Growth ve Apriori arasından seçim yapın.
Güçlü yönler & sınırlılıklar
- Hızlı tidset kesişimleri ile hesaplanan destek - tekrarlanan veritabanı taraması yok.
- Önek eşdeğerlik sınıflarıyla derinlemesine arama, işi yeniden kullanır ve belleği yerelleştirir.
- Yoğun veri kümelerinde genellikle çok verimli, FP-Growth ile rekabetçi.
- Fark kümesi optimizasyonu bellek ve kesişim maliyetini daha da azaltır.
- Sık öğeler için tidset'ler büyük olabilir, büyük veri kümelerinde bellek maliyeti olur.
- Ara kesişim sonuçları bellek/zaman ek yükü ekler.
- Yatay (Apriori) temsillerden daha az sezgisel.
- Tüm öğe kümesi madenciliği gibi minimum destek eşiğine duyarlı.
SSS
ECLAT, Apriori ve FP-Growth'tan nasıl farklıdır?
Her üçü de sık öğe kümeleri bulur. Apriori, aday üretimi ve birçok tarama ile yatay bir format kullanır; FP-Growth veriyi bir ağaçta sıkıştırır ve özyinelemeli olarak madencilik yapar; ECLAT dikey bir tidset formatı kullanır ve işlem kimliği listelerini derinlemesine kesiştirerek desteği hesaplar. ECLAT ve FP-Growth, Apriori'nin tekrarlanan taramalarından kaçınır.
Tidset nedir?
Bir tidset (işlem kimliği kümesi), verilen bir öğeyi veya öğe kümesini içeren işlemlerin listesidir. ECLAT bunları dikey olarak depolar ve bir öğe kümesinin desteğini, öğelerinin tidset'lerinin kesişiminin boyutu olarak hesaplar, saymayı küme kesişimine dönüştürür.
Fark kümeleri (diffsets) nedir?
Fark kümeleri, tam tidset yerine, bir öğe kümesinin tidset'i ile üst öğesinin tidset'i arasındaki farkı depolar. Yoğun verilerde bu, bellek ve kesişim maliyetini önemli ölçüde azaltır, bu da dECLAT varyantına önemli bir verimlilik avantajı sağlar.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). ECLAT (Equivalence Class Clustering and Bottom-up Lattice Traversal). ScholarGate. https://scholargate.app/tr/machine-learning/eclat
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Birliktelik Kuralı Madenciliği (Apriori)Makine öğrenmesi↔ karşılaştır
- Biçimsel Kavram Analizi (FCA)Esnek hesaplama↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır