بخشی از پاورپوینت
اسلاید 1 :
ECLAT
اسلاید 2 :
روشهای کاوش مجموعه آیتمهای مکرر
Apriori : روشی است مبتنی بر تولید و آزمایش مجموعههای کاندید
FP-growth : روشی برای ساخت الگوی مکرر از طریق گسترش آنها
ECLAT : کاوش الگوی مکرر بر اساس چیدمان دادهها به صورت عمودی
اسلاید 3 :
گاهی اوقات میتوان قالب دادهها را عوض نمود.
در حالت عادی برای هر تراکنش مجموع کالاها را به صورت سطری آن داریم، به این چینش اطلاعات، قالب افقی (horizontal) میگوییم.
در مقابل آن برای هر آیتم،تراکنشهای مربوط به آن را مینویسیم و به آن قالب عمودی ((vertical میگوییم.
الگوریتم ECLAT
اسلاید 4 :
ECLAT
برای مشخص کردن آیتمهای پرتکرارکافی است تعداد اعضای مجموعه تراکنشها در هر itemsetرا شمارش کرد.
اسلاید 5 :
ECLAT_EXAMPLE
Minimum support = 3
اسلاید 6 :
ECLAT_EXAMPLE
اسلاید 7 :
ECLAT_EXAMPLE
2_itemset
اسلاید 8 :
ECLAT_EXAMPLE
Minimum support = 3
اسلاید 9 :
ECLAT_EXAMPLE
اسلاید 10 :
ECLAT_EXAMPLE
3_itemset
اسلاید 11 :
ECLAT_EXAMPLE
Minimum support = 3
اسلاید 12 :
ECLAT_EXAMPLE
اسلاید 13 :
ECLAT_EXAMPLE
اسلاید 14 :
ECLAT_EXAMPLE
2_itemset
اسلاید 15 :
ECLAT_EXAMPLE
Minimum support = 3
اسلاید 16 :
ECLAT_EXAMPLE
2_itemset
اسلاید 17 :
ECLAT_EXAMPLE
اسلاید 18 :
ECLAT_EXAMPLE
اسلاید 19 :
ECLAT
مقایسهApriori و ECLAT
ECLAT
Current DataBase
مجموعه دادههای کوچک و متوسط
سرعت بیشتر
Apriori
General DataBase
مجموعه دادههای بزرگ
سرعت کمتر
اسلاید 20 :
ECLAT
مزایا و معایب:
ساده ترشدن محاسبات
مشکل ذخیره سازی وکمبود حافظه در مجموعه دادههای متراکم
