Lecture 16_Advanced Frequent Itemset Mining 机器学习概论 教程文件.pptVIP

Lecture 16:－Advanced Frequent Itemset Mining;回顾－关联分析;回顾－基本概念;回顾－基本概念;回顾－关联规则分析;An Example;回顾－Homework;Apriori算法－挑战;减少扫描数据库的次数;Partition－算法描述;Partition － An Example;减少扫描的数据量;AprioriTid 算法;AprioriTid 基本思想;AprioriTid － An Example;AprioriTid 算法－算法描述;AprioriTid 算法－讨论;Eclat;垂直数据表示;Eclat (Tidset)– An Example;减少候选项集数目;DHP算法;;Apriori算法瓶颈;无候选项集生成的频繁项集挖掘;FP-growth 算法－简介;FP-tree －定义;构造 FP-tree － An Example;构造 FP-tree －算法描述;FP-tree 的优点;分割频繁模式和数据库;从P-条件数据库中发现包含P的频繁模式;从条件模式库到条件FP-trees ;递归处理：挖掘每个条件 FP-tree;特殊情况－FP-tree 中的单前缀路径;利用FP-trees 挖掘频繁模式;FP-growth 算法－描述;FP-Growth vs. Apriori;FP-Growth vs. Tree-Projection;FP-Growth成功的因素;方法小结;方法小结;频繁模式挖掘－并行算法;并行算法－基本概念;CD算法;CD算法－改进;改进－An Example;Homework;下一讲