რატომ არის FP ზრდა უკეთესი ვიდრე Apriori?
რატომ არის FP ზრდა უკეთესი ვიდრე Apriori?

ვიდეო: რატომ არის FP ზრდა უკეთესი ვიდრე Apriori?

ვიდეო: რატომ არის FP ზრდა უკეთესი ვიდრე Apriori?
ვიდეო: FP growth Vs Apriori Algorithm|FP growth tree vs Apriori algorithm in frequent pattern mining 2024, მაისი
Anonim

ის საშუალებას იძლევა ხშირად აღმოაჩინოს ერთეულების ნაკრები კანდიდატის გენერირების გარეშე.

FP ზრდა :

Პარამეტრები აპრიორი ალგორითმი Fp ხე
მეხსიერების გამოყენება ის მოითხოვს დიდი რაოდენობით მეხსიერების ადგილს გენერირებული კანდიდატების დიდი რაოდენობის გამო. კომპაქტური სტრუქტურისა და კანდიდატის არარსებობის გამო მეხსიერების მცირე რაოდენობას საჭიროებს.

უფრო მეტიც, რომელია უკეთესი Apriori თუ FP ზრდა?

FP - ზრდა : ხშირი შაბლონების ეფექტური მაინინგ მეთოდი დიდ მონაცემთა ბაზაში: ძალიან კომპაქტური FP - ხე , დაყავი და იბატონე მეთოდი ბუნებაში. ორივე აპრიორი და FP - ზრდა მიზნად ისახავს გაარკვიოს შაბლონების სრული ნაკრები, მაგრამ, FP - ზრდა უფრო ეფექტურია ვიდრე აპრიორი გრძელი ნიმუშების მიმართ.

გარდა ზემოთ, რა არის FP ზრდის ალგორითმი? The FP - ზრდის ალგორითმი ჰან ინის მიერ შემოთავაზებული, ეფექტური და მასშტაბირებადი მეთოდია ხშირი შაბლონების სრული ნაკრების მოპოვებისთვის ნიმუშის ფრაგმენტის მიხედვით ზრდა გაფართოებული პრეფიქსის გამოყენებით- ხე სტრუქტურა შეკუმშული და გადამწყვეტი ინფორმაციის შესანახად ხშირი შაბლონების შესახებ, სახელწოდებით ხშირი ნიმუში ხე ( FP - ხე ).

ანალოგიურად, რა უპირატესობები აქვს FP ზრდის ალგორითმს?

FP ზრდის ალგორითმის უპირატესობები ელემენტების დაწყვილება ამ ალგორითმში არ კეთდება და ეს მას უფრო აჩქარებს. მონაცემთა ბაზა ინახება კომპაქტურ ვერსიაში მეხსიერება . ის ეფექტური და მასშტაბურია როგორც გრძელი, ისე მოკლე ხშირი შაბლონების მაინინგისთვის.

რა არის აპრიორის საკუთრება?

The აპრიორის ქონება არის ქონება აჩვენებს, რომ თანმიმდევრული შაბლონების შეფასების კრიტერიუმების მნიშვნელობები უფრო მცირეა ან ტოლია მათი თანმიმდევრული ქვენიმუშების მნიშვნელობებზე. შეიტყვეთ მეტი: თანმიმდევრული ნიმუშის მოპოვება თანმიმდევრული მონაცემებიდან.

გირჩევთ: