Visualizing the Construction of Incremental Disorder Trie Itemset Data Structure (DOSTrieIT) for Frequent Pattern Tree (FP-Tree)

2011 ◽  
pp. 183-195 ◽  
Author(s):  
Zailani Abdullah ◽  
Tutut Herawan ◽  
Mustafa Mat Deris
Keyword(s):  
Data Structure ◽  
Frequent Pattern ◽  
Frequent Pattern Tree

A Scalable Algorithm for Constructing Frequent Pattern Tree

2014 ◽  
Vol 10 (1) ◽  
pp. 42-56 ◽  
Author(s):  
Zailani Abdullah ◽  
Tutut Herawan ◽  
A. Noraziah ◽  
Mustafa Mat Deris
Keyword(s):  
Data Structure ◽  
Frequent Pattern ◽  
Frequent Patterns ◽  
Scalable Algorithm ◽  
Tree Construction ◽  
Frequent Pattern Tree ◽  
Support Threshold ◽  
Benchmark Datasets ◽  
Tree Data ◽  
Tree Data Structure

Frequent Pattern Tree (FP-Tree) is a compact data structure of representing frequent itemsets. The construction of FP-Tree is very important prior to frequent patterns mining. However, there have been too limited efforts specifically focused on constructing FP-Tree data structure beyond from its original database. In typical FP-Tree construction, besides the prior knowledge on support threshold, it also requires two database scans; first to build and sort the frequent patterns and second to build its prefix paths. Thus, twice database scanning is a key and major limitation in completing the construction of FP-Tree. Therefore, this paper suggests scalable Trie Transformation Technique Algorithm (T3A) to convert our predefined tree data structure, Disorder Support Trie Itemset (DOSTrieIT) into FP-Tree. Experiment results through two UCI benchmark datasets show that the proposed T3A generates FP-Tree up to 3 magnitudes faster than that the benchmarked FP-Growth.

Daily Trajectory Prediction Using Temporal Frequent Pattern Tree

2021 ◽  
pp. 333-343
Author(s):  
Mingyi Cai ◽  
Runze Yan ◽  
Afsaneh Doryab
Keyword(s):  
Frequent Pattern ◽  
Trajectory Prediction ◽  
Frequent Pattern Tree

scholarly journals An Extended Frequent Pattern Tree for Hiding Sensitive Frequent Itemsets

2011 ◽  
Vol 18D (3) ◽  
pp. 169-178
Author(s):  
Dan-Young Lee ◽  
Hyoung-Geun An ◽  
Jae-Jin Koh
Keyword(s):  
Frequent Itemsets ◽  
Frequent Pattern ◽  
Frequent Pattern Tree

scholarly journals Association Rule Integrasi Pendekatan Metode Custom Hashing dan Data Partitioning untuk Mempercepat Proses Pencarian Frekuensi Item-set pada Algoritma Apriori

2020 ◽  
Vol 20 (1) ◽  
pp. 149-158
Author(s):  
Moch. Syahrir ◽  
Fatimatuzzahra Fatimatuzzahra
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Data Partitioning ◽  
Frequent Pattern ◽  
Frequent Pattern Tree

Data mining dengan peran asosiasi sudah banyak digunakan oleh dunia usaha, salah satu algoritma yang sering digunakan untuk aturan asosiasi adalah apriori. Namun apriori memiliki kelemahan dalam hal performa, karena pada setiap penentuan frequent k-itemset harus melakukan scan database. Hal ini akan menjadi masalah apabila kandidat k-itemset memiliki dimensi yang banyak. proses scan database yang besar akan memakan waktu yang lama dan berpengaruh pada penggunaan memori dan prosesor. Apriori sudah sering dikembangkan, salah satu yang populer adalah Frequent Pattern (fp-growth), apriori dan fp-growth sama-sama merupakan algoritma untuk aturan asosiasi, hanya saja fp-growth menggunakan pendekatan yang berbeda dengan apriori yakni menggunakan pendekatan Frequent Pattern Tree (fp-tree). Meski fp-growth memiiki performa yang bagus ketika scan database namun rules yang di hasilkan oleh fp-growth tidak sebaik yang di hasilkan oleh apriori. Alternatif lain yang bisa digunakan adalah metode hashing, hal ini bisa menjadi solusi untuk mengatasi masalah dalam proses pencarian dan penentuan frequent k-itemset, sehingga proses scan database bisa lebih cepat. Tujuan penelitian adalah memperbaiki kinerja apriori dalam proses pencarian frekuensi itemset sehingga waktu scan database bisa lebih cepat

Sign in / Sign up

Export Citation Format

Share Document