Warum ist FP-Wachstum besser als Apriori?
Warum ist FP-Wachstum besser als Apriori?

Video: Warum ist FP-Wachstum besser als Apriori?

Video: Warum ist FP-Wachstum besser als Apriori?
Video: Markovketten VL 2.1: Markovketten, Eigenschaften und Beispiele 2024, Kann
Anonim

Es ermöglicht eine häufige Objektgruppenerkennung ohne Kandidatengenerierung.

FP-Wachstum :

Parameter Apriori Algorithmus Fp-Baum
Speicherauslastung Es erfordert eine große Menge an Speicherplatz aufgrund der großen Anzahl von erzeugten Kandidaten. Es erfordert aufgrund der kompakten Struktur und keiner Kandidatengenerierung eine geringe Menge an Speicherplatz.

Außerdem, welches ist besser Apriori- oder FP-Wachstum?

FP - Wachstum : eine effiziente Mining-Methode für häufige Muster in großen Datenbanken: mit einem sehr kompakten FP - Baum , Teile-und-Herrsche-Methode in der Natur. Beide Apriori und FP - Wachstum zielen darauf ab, einen vollständigen Satz von Mustern herauszufinden, aber FP - Wachstum ist effizienter als Apriori in Bezug auf lange Muster.

Was ist der FP-Wachstumsalgorithmus? Die FP - Wachstumsalgorithmus , vorgeschlagen von Han in, ist eine effiziente und skalierbare Methode zum Mining des vollständigen Satzes häufiger Muster nach Musterfragmenten Wachstum , mit einem erweiterten Präfix- Baum Struktur zum Speichern komprimierter und wichtiger Informationen über häufige Muster namens Frequent-Pattern Baum ( FP - Baum ).

Welche Vorteile bietet der FP-Wachstumsalgorithmus?

Vorteile des FP-Wachstumsalgorithmus Die Paarung von Elementen wird in diesem Algorithmus nicht durchgeführt und dies macht ihn schneller. Die Datenbank ist in einer kompakten Version in Erinnerung . Es ist effizient und skalierbar, um sowohl lange als auch kurze, häufige Muster zu minen.

Was ist Apriori-Eigenschaft?

Die Apriori-Eigenschaft ist der Eigentum zeigt, dass die Werte der Bewertungskriterien sequentieller Muster kleiner oder gleich denen ihrer sequentiellen Untermuster sind. Erfahren Sie mehr in: Sequentielles Pattern-Mining aus sequentiellen Daten.

Empfohlen: