FP-Growth (Sık Desen Büyümesi)
FP-Growth (Frequent Pattern Growth) · Ayrıca şöyle bilinir: frequent pattern growth, FP-tree mining, FP-Growth algorithm, sık örüntü büyütme
Jiawei Han, Jian Pei ve Yiwen Yin tarafından 2000 yılında tanıtılan FP-Growth, klasik Apriori algoritmasını yavaşlatan maliyetli adım olan aday kümeler oluşturmadan işlem verilerinden sık öğe kümelerini çıkarır. Veritabanını iki taramada sık-desen ağacına (FP-tree) sıkıştırır, ardından bu yapıdan özyinelemeli olarak sık desenler büyütür, bu da onu büyük, yoğun veri kümelerinde Apriori'den önemli ölçüde daha hızlı hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+8 tane daha
Ne zaman kullanılır
Sık öğe kümelerini (ve dolayısıyla ilişki kurallarını) işlem verilerinden — pazar sepeti analizi, web kullanımı ve tıklama akışı madenciliği, öneri ve biyoinformatik birlikte ortaya çıkma — özellikle Apriori'nin aday üretiminin çok yavaş olduğu büyük veya yoğun veri kümelerinde çıkarmak için FP-Growth kullanın. Yalnızca iki veritabanı taraması gerektirir ve tipik olarak Apriori'den çok daha iyi performans gösterir. Maliyetleri: FP-ağacı bellekte kalmalıdır (çok büyük veya aşırı seyrek veriler için bir sınırlama, ağacın kötü sıkıştığı yerlerde), özyineleme uygulaması karmaşık olabilir ve destek tabanlı madencilikteki tümü gibi minimum destek eşiğine duyarlıdır (çok düşük çıktı patlamasına neden olur, çok yüksek desenleri kaçırır). ECLAT (dikey tidset kesişimi) bir alternatiftir; kuralların kendisi için, ilişki kuralı üretimiyle eşleştirin.
Güçlü yönler & sınırlılıklar
- Aday üretimi yok — büyük/yoğun verilerde Apriori'den çok daha hızlı.
- Desen uzunluğundan bağımsız olarak yalnızca iki veritabanı taraması.
- FP-ağacı paylaşılan yapıyı sıkıştırır, yoğun verilerde bellek ve zaman tasarrufu sağlar.
- Aday tabanlı yöntemleri aşırı yükleyen uzun sık desenlere ölçeklenir.
- FP-ağacı bellekte kalmalıdır; çok büyük veri kümeleri kalmayabilir.
- Seyrek verilerde ağaç kötü sıkışır, avantajı aşındırır.
- Özyinelemeli koşullu ağaç yapısı uygulaması nispeten karmaşıktır.
- Tüm sık öğe madenciliği gibi minimum destek eşiğine duyarlıdır.
SSS
FP-Growth, Apriori'den nasıl daha hızlıdır?
Apriori, aday öğe kümelerini tekrarlı olarak oluşturur ve test eder, veritabanını birçok kez tarar. FP-Growth, aday üretimini tamamen ortadan kaldırır: veriyi iki taramada bir FP-ağacına sıkıştırır ve desenleri özyinelemeli olarak ondan çıkarır. Bu, birleşimsel aday şişmesini ortadan kaldırır ve yoğun verilerde büyük hız artışları sağlar.
FP-ağacı nedir?
Veritabanının sık öğelerinin sıkıştırılmış bir ön ek ağacıdır. Bir ön eki paylaşan işlemler, bir yol paylaşır, düğüm sayaçları desteği kaydeder ve bir başlık tablosu her öğenin oluşumlarını bağlar. Veri kümesinin sık yapısını kompakt bir şekilde saklar, böylece desenler veriyi yeniden taramadan okunabilir.
FP-Growth, ECLAT ve ilişki kurallarıyla nasıl ilişkilidir?
FP-Growth, ECLAT ve Apriori hepsi sık öğe kümelerini bulur; ECLAT, bir ağaç yerine dikey bir tidset kesişimi yaklaşımı kullanır. Sık öğe kümelerini bulmak yalnızca ilk aşamadır — ilişki kuralları (güven/kaldıraç ile) bu öğe kümelerinden ayrı bir adımda oluşturulur.
Kaynaklar
- Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. ACM SIGMOD Record, 29(2), 1–12. DOI: 10.1145/342009.335372 ↗
- Han, J., Pei, J., Yin, Y., & Mao, R. (2004). Mining frequent patterns without candidate generation: a frequent-pattern tree approach. Data Mining and Knowledge Discovery, 8(1), 53–87. DOI: 10.1023/B:DAMI.0000005258.31418.83 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). FP-Growth (Frequent Pattern Growth). ScholarGate. https://scholargate.app/tr/machine-learning/fp-growth
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
- ECLAT Sık-Öğe Kümesi MadenciliğiMakine öğrenmesi↔ karşılaştır
- Biçimsel Kavram Analizi (FCA)Esnek hesaplama↔ karşılaştır
- K-Means KümelemeMakine öğrenmesi↔ karşılaştır