Apriori y FPGrowth son dos algoritmos para la extracción frecuente de conjuntos de elementos . Tienen la misma entrada y la misma salida. La entrada es una base de datos de transacciones y un umbral de soporte mínimo. La salida es el conjunto de conjuntos de elementos que tienen un soporte no inferior al umbral mínimo de soporte.
Entonces, ¿cuál es la diferencia entre estos algoritmos? La diferencia entre estos algoritmos es cómo generan la salida. El resultado es el mismo, pero el proceso para obtener el resultado es diferente. Brevemente, Apriori utiliza un enfoque por niveles donde generará patrones que contienen 1 elementos, luego 2 elementos, 3 elementos, etc. Además, escaneará repetidamente la base de datos para contar el soporte de cada patrón. Por otro lado, FPGrowth utiliza una búsqueda de profundidad primero en lugar de una búsqueda de primera amplitud y utiliza un enfoque de crecimiento de patrones (esto significa que, a diferencia de Apriori, solo considera patrones realmente existentes en la base de datos. Esto es solo una breve explicación. puede leer mi encuesta sobre la minería de conjuntos de elementos, que explica todas estas ideas con más detalles y le brinda una visión general del campo:
Fournier-Viger, P., Lin, JC-W., Vo, B, Chi, TT, Zhang, J., Le, HB (2017). Una encuesta de Itemset Mining . WIREs Data Mining and Knowledge Discovery, e1207 doi: 10.1002 / widm.1207, 18 páginas.
- ¿Qué es el algoritmo k-Means y cómo funciona?
- ¿Qué significa "algo"?
- ¿Se puede utilizar el algoritmo de red neuronal artificial en un conjunto de datos dinámicos como el clima o el tráfico?
- ¿Dónde encontraré un algoritmo para el método de Euler modificado?
- Cómo resolver este problema: http://www.spoj.com/problems/RENT/
