Bakit mas mahusay ang paglago ng FP kaysa sa Apriori?
Bakit mas mahusay ang paglago ng FP kaysa sa Apriori?

Video: Bakit mas mahusay ang paglago ng FP kaysa sa Apriori?

Video: Bakit mas mahusay ang paglago ng FP kaysa sa Apriori?
Video: (Totoong Kwento) Aksidente kong natuklasan ang LIHIM ni Mister 2024, Disyembre
Anonim

Pinapayagan nito ang madalas na pagtuklas ng set ng item nang walang pagbuo ng kandidato.

Paglago ng FP :

Mga Parameter Apriori Algorithm puno ng Fp
Paggamit ng memorya Nangangailangan ito ng malaking halaga ng memory space dahil sa malaking bilang ng mga kandidatong nabuo. Nangangailangan ito ng maliit na espasyo ng memorya dahil sa compact na istraktura at walang henerasyon ng kandidato.

Bukod dito, alin ang mas mahusay na paglago ng Apriori o FP?

FP - paglago : isang mahusay na paraan ng pagmimina ng madalas na mga pattern sa malaking Database: gamit ang isang napaka-compact FP - puno , divide-and-conquer method sa kalikasan. pareho Apriori at FP - Paglago ay naglalayong malaman ang kumpletong hanay ng mga pattern ngunit, FP - Paglago ay mas mahusay kaysa sa Apriori tungkol sa mahabang pattern.

Bukod sa itaas, ano ang FP growth algorithm? Ang FP - Algorithm ng Paglago , iminungkahi ni Han in, ay isang mahusay at nasusukat na paraan para sa pagmimina ng kumpletong hanay ng mga madalas na pattern ayon sa pattern fragment paglago , gamit ang pinahabang prefix- puno istraktura para sa pag-iimbak ng naka-compress at mahalagang impormasyon tungkol sa mga madalas na pattern na pinangalanang frequent-pattern puno ( FP - puno ).

Gayundin, ano ang mga pakinabang ng FP growth algorithm?

Mga Bentahe Ng FP Growth Algorithm Ang pagpapares ng mga item ay hindi ginagawa sa algorithm na ito at ginagawa itong mas mabilis. Ang database ay naka-imbak sa isang compact na bersyon sa alaala . Ito ay mahusay at nasusukat para sa pagmimina sa parehong mahaba at maikling madalas na mga pattern.

Ano ang Apriori property?

Ang Apriori ari-arian ay ang ari-arian na nagpapakita na ang mga halaga ng pamantayan sa pagsusuri ng mga sunud-sunod na pattern ay mas maliit sa o katumbas ng kanilang mga sunud-sunod na subpattern. Matuto pa sa: Sequential Pattern Mining mula sa Sequential Data.

Inirerekumendang: