Hvorfor er FP-vækst bedre end Apriori?
Hvorfor er FP-vækst bedre end Apriori?

Video: Hvorfor er FP-vækst bedre end Apriori?

Video: Hvorfor er FP-vækst bedre end Apriori?
Video: FP growth Vs Apriori Algorithm|FP growth tree vs Apriori algorithm in frequent pattern mining 2024, Kan
Anonim

Det tillader hyppig genkendelse af emnesæt uden generering af kandidater.

FP vækst :

Parametre Apriori Algoritme Fp træ
Hukommelsesudnyttelse Det kræver stor mængde hukommelse på grund af et stort antal genererede kandidater. Det kræver en lille mængde hukommelse på grund af kompakt struktur og ingen kandidatgenerering.

Desuden, hvilken er bedre Apriori- eller FP-vækst?

FP - vækst : en effektiv minemetode for hyppige mønstre i store databaser: ved hjælp af en meget kompakt FP - træ , del-og-hersk metode i naturen. Begge Apriori og FP - Vækst sigter på at finde ud af et komplet sæt af mønstre, men FP - Vækst er mere effektiv end Apriori med hensyn til lange mønstre.

Udover ovenstående, hvad er FP-vækstalgoritme? Det FP - Vækstalgoritme , foreslået af Han in, er en effektiv og skalerbar metode til at udvinde det komplette sæt af hyppige mønstre efter mønsterfragment vækst ved hjælp af et udvidet præfiks- træ struktur til lagring af komprimeret og afgørende information om hyppige mønstre kaldet frequent-pattern træ ( FP - træ ).

Ligeledes, hvad er fordelene ved FP-vækstalgoritme?

Fordele ved FP Growth Algorithm Parringen af elementer udføres ikke i denne algoritme, og det gør den hurtigere. Databasen er gemt i en kompakt version i hukommelse . Det er effektivt og skalerbart til minedrift af både lange og korte hyppige mønstre.

Hvad er Apriori ejendom?

Det Apriori ejendom er ejendom viser, at værdierne for evalueringskriterier for sekventielle mønstre er mindre end eller lig med værdierne for deres sekventielle undermønstre. Lær mere i: Sequential Pattern Mining fra Sequential Data.

Anbefalede: