Abstrait

Une étude sur les performances des algorithmes CT-APRIORI et CT-PRO utilisant des structures compressées pour l'exploration de modèles

Mme AB Dhivya et Dr (Mme) B.Kalpana

De nombreux algorithmes ont été proposés pour améliorer les performances de l'extraction de motifs fréquents à partir de bases de données de transactions. Les algorithmes de croissance de motifs comme FP-Growth basés sur l'arbre FP sont plus efficaces que les algorithmes de génération de candidats et de test. Dans cet article, nous proposons une nouvelle structure de données appelée Compressed FP-Tree (CFP-Tree) et un algorithme appelé CT-PRO qui fonctionne mieux que les algorithmes actuels, notamment FP-Growth et Apriori. Le nombre de nœuds dans un arbre CFP peut être jusqu'à 50 % inférieur à celui de l'arbre FP correspondant. CT-PRO est comparé empiriquement à FP-Growth et Apriori. CT-PRO est également étendu pour l'extraction de très grandes bases de données et son évolutivité est évaluée expérimentalement. Tous ces résultats indiquent que CT-PRO est le bon candidat pour générer une version compacte de la base de données de transactions d'origine, de petite taille et qui effectue l'extraction de motifs fréquents de manière rapide et efficace