Çevrimiçi FP-growth
Online Frequent Pattern Growth (Incremental FP-tree Mining) · Ayrıca şöyle bilinir: Incremental FP-growth, Online FP-tree, stream FP-growth, OFP-growth
Çevrimiçi FP-growth, FP-growth algoritmasının artımlı bir uzantısıdır. Sürekli gelen işlem akışlarından sık geçen öğe kümelerini, tam FP-ağacını sıfırdan yeniden oluşturmadan çıkarır. Yeni işlemler geldikçe mevcut kompakt bir ağaç yapısını günceller, bu da onu tam bir veritabanı taramasının pratik olmadığı gerçek zamanlı ve yüksek hızlı veri ortamları için uygun hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İşlem verileri sürekli bir akış olarak geldiğinde ve tüm geçmişi depolamadan veya yeniden taramadan güncel sık örüntülere ihtiyacınız olduğunda Çevrimiçi FP-growth'u kullanın — örneğin gerçek zamanlı pazar sepeti analizinde, tıklama akışı madenciliğinde, izinsiz giriş tespitinde veya IoT olay korelasyonunda. Örüntü ortamının zamanla değiştiği ve statik bir partiden gelen eski örüntülerin kabul edilemez olduğu durumlarda en değerlidir. Tüm veri kümesi belleğe rahatça sığdığında ve tek bir FP-growth geçişi yeterli olduğunda veya veri hacmi artımlı bakımın ek karmaşıklığını haklı çıkarmayacak kadar düşük olduğunda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tekrarlanan tam veritabanı taramaları olmadan akışlardan sık geçen öğe kümelerini çıkarır, bu da büyük çalışma zamanı tasarrufları sağlar.
- FP-ağacının kompaktlığını korur: Apriori tabanlı çevrimiçi yöntemlerin aksine aday öğe kümesi üretimi yoktur.
- Destek sayımlarını sürekli güncelleyerek ve eski öğeleri budayarak kavram kaymasına uyum sağlar.
- Tüm ham işlemleri depolamaya göre bellek açısından verimlidir: yalnızca sıkıştırılmış ağaç ve başlık tablosu tutulur.
- Talep üzerine örüntü çıkarımı, sorgu gecikmesinin akış alım hızından bağımsız olduğu anlamına gelir.
- Başlık tablosu yeniden sıralandıktan sonra ağaç yeniden yapılandırması, sıklık sıralamaları önemli ölçüde değiştiğinde maliyetli olabilir.
- Küresel sıklığın önceden bilinmediği akışlar için minimum destek eşiğini belirlemek kolay değildir.
- Kavram kayması pencerelerini (kayan veya solan) doğal olarak ele almaz; eski örüntüleri unutmak için uzantılar gereklidir.
- Uygulama karmaşıklığı, basit bir toplu Apriori veya statik FP-growth'tan önemli ölçüde daha yüksektir.
SSS
Çevrimiçi FP-growth, standart FP-growth'tan nasıl farklıdır?
Standart FP-growth, sabit, eksiksiz bir veri kümesini tek bir geçişte işler ve FP-ağacını bir kez oluşturur. Çevrimiçi FP-growth, yeni işlemler geldikçe mevcut bir ağacı günceller ve tekrarlanan tam taramalardan kaçınır. Temel madencilik mantığı (koşullu örüntü tabanları, özyinelemeli alt ağaçlar) aynıdır; fark, ağaç yapısının artımlı bakımındadır.
Bir akış için minimum destek eşiğini nasıl ayarlamalıyım?
Pratik bir yaklaşım, temsili bir tohum partisi üzerinde kalibre etmek ve ardından akış ilerledikçe örüntü sayısının patlayıp patlamadığını veya çöküp çökmediğini izlemektir. Bazı uygulamalar, şimdiye kadar görülen işlemlerin bir kesri olarak tanımlanan göreceli bir eşik kullanır; diğerleri, eşik sınırına yakın hafif eksik sayımı tolere etmek için küçük bir hata sınırı (Kayıplı Sayım şemasında olduğu gibi) sunar.
Çevrimiçi FP-growth kavram kaymasını ele alıyor mu?
Temel Çevrimiçi FP-growth, şimdiye kadar görülen tüm işlemleri biriktirir, bu nedenle eski örüntüler artık ilgili olmasalar bile kalır. Kavram kaymasını ele almak için, kayan pencere varyantını (sabit bir pencere dışındaki işlemleri atan) veya üstel bozunma varyantını (eski işlemleri zamanla daha az ağırlıklandıran) kullanın.
Çevrimiçi FP-growth, çevrimiçi Apriori'den daha mı iyi?
Genel olarak evet, standart FP-growth'un Apriori'den daha iyi performans göstermesinin aynı nedeni: aday üretimi olmaması, çok daha az tarama ve çok daha düşük bellek baskısı anlamına gelir. Avantaj, işlem uzunluklarının uzun ve öğe evreninin büyük olduğu durumlarda en belirgindir, ki bu da çevrimiçi Apriori'nin üstel sayıda aday ürettiği koşullardır.
Hangi kütüphaneler Çevrimiçi FP-growth'u uyguluyor?
Saf Çevrimiçi FP-growth, ana akım ML kütüphanelerinde statik FP-growth'tan (MLlib, mlxtend ve R'nin arules'inde mevcuttur) daha az yaygındır. MOA (Massive Online Analysis) gibi akışa özgü çerçeveler ve bazı özel Python uygulamaları artımlı FP-ağacı varyantları sağlar; üretim ortamlarında genellikle Apache Flink veya Kafka Streams gibi bir akış işleme hattında özel bir operatör olarak uygulanır.
Kaynaklar
- Cheung, W. & Zaiane, O. R. (2004). Incremental Mining of Frequent Patterns Without Candidate Generation or Support Thr esholding. In Proceedings of the 4th IEEE International Conference on Data Mining (ICDM 2004), pp. 111–118. IEEE. link ↗
- Lee, G., Yun, U. & Ryu, K. H. (2014). Sliding window based weighted maximal frequent pattern mining over data streams. Expert Systems with Applications, 41(2), 694–708. DOI: 10.1016/j.eswa.2013.07.094 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Frequent Pattern Growth (Incremental FP-tree Mining). ScholarGate. https://scholargate.app/tr/machine-learning/online-fp-growth
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır