Differences

This shows you the differences between two versions of the page.

--- data_mining:association_rules [2013/03/30 22:34] – [Phase 1] phreazer
+++ data_mining:association_rules [2013/03/30 23:24] – [Phase 2] phreazer
@@ Line 41: / Line 41: @@
   - Head of node-link: Ein Zeiger auf den ersten Knoten mit dem Itemnamen
   - Optional ein Support Count eines Items.
+=== FP-Tree Erzeugung ===
+Input: DB und Minimum Support Grenzwert.
+Output: FP-tree, das Häufigkeitsmuster der DB
+Phase 1 (siehe oben): Einmaliges Scannen der DB. Sammeln der Menge der frequent Items F und Support jedes frequent Items. Sortieren von F dem Support nach absteigend, als Liste der Frequent Items FList.
+Phase 2: Wurzelknoten eines FP-Tree T erzeugen und für jede Transaktion in der DB folgendes durchführen:
+  - Erstelle sortierte Frequent-Item-Liste[p|P] für die Transaktion, rufe insert_tree([p|P],T) auf.
+  - insert_tree([p|P],T): Wenn T ein Kind N hat, sodass N.itemname=p.itemname, dann inkrementiere den Count um 1, sonst erstelle einen neuen Knoten N, mit Initialcount 1, dessen Parent mit T verbunden ist und dessen Nodelink mit den Knoten mit den gleichen Itemnamen durch die Nodelink-Struktur verbunden sind. Wenn P nichtleer ist, rufe (P, N) rekursiv auf
+Es werden 2 Scans benötigt: Scan 1 sammelt und sortiert die Menge der Frequent Items, Scan 2 erstellt FP-Tree.
+==== Phase 3 ====
+Aufgabe: Extrahieren des Frequent Itemsets aus FP-Tree (FP-Growth Algorithmus)
+Input: DB in Form eines FP-Trees und Minimumsupport Grenzwert.
+Output: Vollständige Menge der Fequent Patterns