Frekvent mönster gruvdrift , även känd som frekvent itemset gruvdrift , är en teknik för att upptäcka grupper av poster som ofta förekommer tillsammans i en databas . Enligt Dr Christian Borgelt , ansvarig forskare vid det europeiska centrumet för Soft Computing , har ofta mönster gruvdrift varit en av de mest aktivt utforskade ämnena inom datautvinning sedan början av 1990-talet och många matematiska algoritmer har utvecklats . Frekvent Pattern Mining
Frekvent mönster gruvdrift är en elementär problem i många tillämpningar . En typisk affärsbeslut databas - t.ex. en databas som beskriver beteendet hos köpare på Main Street , via postorder eller på nätet - innehåller ett stort antal itemsets och utgör en utmaning när det gäller att utveckla effektiva , skalbara algoritmer . Frekventa mönster mining algoritmer kallas apriori Eclat och FP - tillväxt är bland de mest kända . Addera Apriori algoritm
Apriori algoritmen , först föreslogs av Rakesh Agrawal och Ramkrishnan Srikant av IBM Almaden Research Center i 1994 , fungerar på principen att itemsets räknas när de förekommer i transaktionerna . Databasen genomsöks för att hitta täta en - itemsets är de en - itemsets används för att generera 2 - itemsets och så vidare upp till k- itemsets . En k- itemset sägs vara frekvent om och endast om alla dess subitemsets är vanliga. Sedan den först föreslogs , har många förbättringar till Apriori algoritm föreslagits Addera ditt FP - tillväxt Algoritm
FP - tillväxten algoritm - . FP står för " Frequent Pattern " - använder en teknik som kallas algoritmen avsöker databasen för att skapa en lista över vanliga objekt i fallande ordning , som den använder för att komprimera databasen till en FP - tree " söndra och härska . " . FP - trädet självt bryts , börjar med varje frekvent längd - 1 mönster - även känd som ett suffix mönster - att skapa en villkorlig FP - trädet , som innehåller prefixen motsvarar poster som co - uppstå med den ursprungliga suffix mönstret . Den ursprungliga suffix mönstret sammanlänkade med de täta mönster som finns i den villkorliga FP - trädet att nå mönster tillväxt . Den apriori och FP - tillväxt algoritmer gruvan Addera Eclat algoritm
frekventa mönster från en uppsättning transaktioner arrangerade horisontellt . Den likvärdighet klass Transformation ( Eclat ) algoritm - som föreslagits av Mohammed J. Zaki , en professor i datavetenskap vid Rensselaer Polytechnic Institute , 2000 - Å andra sidan , arrangerade minor frekventa mönster i en uppsättning transaktioner vertikalt . Den Eclat Algoritmen börjar med ett enda objekt och använder en inställd skärningspunkt att avgöra täta itemsets och upprepas tills inga ytterligare täta itemsets kan hittas .
