Pourquoi la croissance de la PF est meilleure qu'Apriori ?
Pourquoi la croissance de la PF est meilleure qu'Apriori ?

Vidéo: Pourquoi la croissance de la PF est meilleure qu'Apriori ?

Vidéo: Pourquoi la croissance de la PF est meilleure qu'Apriori ?
Vidéo: Dessine-moi l'éco : Qu'est-ce que le Produit Intérieur Brut (PIB) ? 2024, Novembre
Anonim

Il permet la découverte fréquente d'ensembles d'éléments sans génération de candidats.

Croissance de la PF :

Paramètres A priori Algorithme arbre fp
Utilisation de la mémoire Il nécessite une grande quantité d'espace mémoire en raison du grand nombre de candidats générés. Il nécessite une petite quantité d'espace mémoire en raison de la structure compacte et de l'absence de génération de candidats.

De plus, lequel est le meilleur Apriori ou croissance FP ?

PF - croissance : une méthode d'extraction efficace de motifs fréquents dans une grande base de données: en utilisant un PF - arbre , méthode diviser pour régner dans la nature. Les deux A priori et PF - Croissance visent à découvrir un ensemble complet de modèles mais, PF - Croissance est plus efficace que A priori en ce qui concerne les modèles longs.

À côté de ci-dessus, qu'est-ce que l'algorithme de croissance FP ? Les PF - Algorithme de croissance , proposé par Han in, est une méthode efficace et évolutive pour extraire l'ensemble complet des motifs fréquents par fragment de motif croissance , en utilisant un préfixe étendu- arbre structure pour stocker des informations compressées et cruciales sur les modèles fréquents nommée fréquente-modèle arbre ( PF - arbre ).

De même, quels sont les avantages de l'algorithme de croissance FP ?

Avantages de l'algorithme de croissance FP L'appariement des éléments ne se fait pas dans cet algorithme et cela le rend plus rapide. La base de données est stockée dans une version compacte dans Mémoire . Il est efficace et évolutif pour extraire des modèles fréquents longs et courts.

Qu'est-ce que la propriété Apriori ?

Les Propriété a priori est le biens montrant que les valeurs des critères d'évaluation des modèles séquentiels sont inférieures ou égales à celles de leurs sous-modèles séquentiels. Pour en savoir plus, consultez: Exploration de modèles séquentiels à partir de données séquentielles.

Conseillé: