Какви са предимствата на алгоритъма за растеж на FP?
Какви са предимствата на алгоритъма за растеж на FP?
Anonim

Предимства на алгоритъма за растеж на FP

Сдвояването на елементи не се извършва в този алгоритъм и това го прави по-бързо. Базата данни се съхранява в компактна версия в памет . Той е ефективен и мащабируем за копаене както на дълги, така и на къси чести модели.

По подобен начин може да попитате каква е употребата на алгоритъма за растеж на FP?

Алгоритъм за растеж на Fp (Честа схема растеж ). Алгоритъм за растеж на FP е подобрение на априори алгоритъм . Използван е алгоритъм за растеж на FP за намиране на често срещани елементи в база данни за транзакции без генериране на кандидати. Растеж на FP представлява често срещани елементи в дървета с чести модели или FP - дърво.

По същия начин, кое е по-добро Apriori или растежът на FP обясняват причините? FP - растеж : ефективен метод за копаене на чести модели в голяма база данни: използвайки изключително компактен FP - дърво , метод разделяй и владей в природата. И двете Априори и FP - Растеж се стремят да открият пълен набор от модели, но, FP - Растеж е по-ефективен от Априори по отношение на дългите модели.

Просто така, какъв е алгоритъмът за растеж на FP?

В FP - Алгоритъм за растеж , предложен от Han in, е ефективен и мащабируем метод за копаене на пълния набор от чести шаблони по фрагмент на шаблон растеж , използвайки разширен префикс- дърво структура за съхранение на компресирана и важна информация за често срещани модели, наречени Честотен модел дърво ( FP - дърво ).

Как се изгражда FP дърво при извличане на данни?

Строителство. Изграждането на а FP - дърво е разделен на три основни стъпки. Сканирайте данни настройте, за да определите броя на поддръжката на всеки елемент, изхвърлете редките елементи и сортирайте често срещаните елементи в намаляващ ред. Сканирайте данни задайте една транзакция в даден момент, за да създадете FP - дърво.

Препоръчано: