Ինչու՞ FP-ի աճն ավելի լավ է, քան Apriori-ն:
Ինչու՞ FP-ի աճն ավելի լավ է, քան Apriori-ն:

Video: Ինչու՞ FP-ի աճն ավելի լավ է, քան Apriori-ն:

Video: Ինչու՞ FP-ի աճն ավելի լավ է, քան Apriori-ն:
Video: ԹԵՍՏ Ո՞վ ես դու | իմացի՛ր քո մասին | тест про твою личность 2024, Մայիս
Anonim

Այն թույլ է տալիս հաճախակի հայտնաբերել իրերի հավաքածուն առանց թեկնածուների առաջացման:

FP աճ :

Պարամետրեր Ապրիորի Ալգորիթմ Fp ծառ
Հիշողության օգտագործում Այն պահանջում է մեծ քանակությամբ հիշողության տարածք՝ ստեղծված մեծ թվով թեկնածուների պատճառով: Այն պահանջում է փոքր քանակությամբ հիշողության տարածք՝ կոմպակտ կառուցվածքի և թեկնածուների բացակայության պատճառով:

Ավելին, ո՞րն է ավելի լավ Apriori կամ FP աճը:

FP - աճը մեծ տվյալների բազայում հաճախակի օրինաչափությունների արդյունավետ հանքարդյունաբերության մեթոդ. օգտագործելով խիստ կոմպակտ FP - ծառ , Բաժանիր և տիրիր մեթոդը բնության մեջ։ Երկուսն էլ Ապրիորի և FP - Աճ նպատակ ունեն պարզել օրինաչափությունների ամբողջական փաթեթը, սակայն, FP - Աճ ավելի արդյունավետ է, քան Ապրիորի երկար նախշերի նկատմամբ.

Բացի վերևից, ի՞նչ է FP աճի ալգորիթմը: Այն FP - Աճի ալգորիթմ , առաջարկված Հան Ինի կողմից, արդյունավետ և մասշտաբային մեթոդ է հաճախակի օրինաչափությունների ամբողջական հավաքածուն օրինաչափության հատվածով արդյունահանելու համար: աճը , օգտագործելով ընդլայնված նախածանց- ծառ հաճախակի օրինաչափությունների մասին հաճախակի օրինաչափությունների մասին սեղմված և կարևոր տեղեկատվության պահպանման կառուցվածքը ծառ ( FP - ծառ ).

Նմանապես, որո՞նք են FP աճի ալգորիթմի առավելությունները:

FP-ի աճի ալգորիթմի առավելությունները Նյութերի զուգավորումն այս ալգորիթմում չի կատարվում, և դա ավելի արագ է դարձնում: Տվյալների բազան պահվում է կոմպակտ տարբերակով հիշողություն . Այն արդյունավետ և ընդլայնելի է ինչպես երկար, այնպես էլ կարճ հաճախակի օրինաչափությունների հանքարդյունաբերության համար:

Ի՞նչ է Apriori-ի սեփականությունը:

Այն Apriori սեփականություն է սեփականություն ցույց տալով, որ հաջորդական օրինաչափությունների գնահատման չափանիշների արժեքները փոքր են կամ հավասար են դրանց հաջորդական ենթաօրինաչափություններին: Իմացեք ավելին․ հաջորդական օրինաչափությունների արդյունահանում հաջորդական տվյալներից։

Խորհուրդ ենք տալիս: