عنوان الإطروحه |
Improving Apriori and FP-Growth Algorithms Using a Hybrid Approach
|
تاريخ مناقشة الاطروحه |
2024-07-28 |
اسم الطالب |
امان فيصل عادل خضر
|
المشرف |
نجاح مثقال علي الشنابله |
|
المشرف المشارك |
|
اعضاء لجنة المناقشة |
| مفلح محمد مفلح الذيابات |
| يوسف الكيلاني |
|
الكلية |
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات |
القسم |
علم الحاسوب |
الملخص بالعربية |
تقنيات الذكاء الاصطناعي ضرورية للمستقبل للحاق بالدول المتقدمة وتقليل الفجوة في التقدم. تعد تقنيات استخراج البيانات ، الشائعة التي Aprioriوخاصة قواعد الارتباط ، أساسية لبناء نماذج فعالة للتعلم الآلي من قواعد بيانات واسعة، خوارزمية تستخدم لاستخراج قواعد الارتباط تعاني من قيود مثل إنشاء العديد من مجموعات العناصر وتتطلب عمليات فحص متكررة لقواعد البيانات.
تقترح هذه الأطروحة طريقتين هجينتين تدمجان خوارزميات FP-Growth و Apriori لمعالجة نقاط ضعفها. تستخدم الطريقة الأولى FP-Growth لاستخراج مجموعات العناصر الشائعة ، وإنشاء شجرة FP مضغوطة ثم تطبيق Apriori لإنشاء قواعد الاقتران. تبدأ الطريقة الثانية ب Apriori لتحديد مجموعات العناصر المحتملة ثم تستخدم FP-Growth لمزيد من التحسين. تظهر التجارب مع مجموعة بيانات الفطر أن النهج الأول متفوق ، مما يقلل من وقت الانتهاء والتعقيد بنسبة تصل إلى 26?. ، كما أن النهج الأول أكثر كفاءة وقابلية للتطوير ، مما ينتج عنه قواعد أكثر بنسبة 27.1?. إن الجمع بين FP-Growth و Apriori في تسلسلات مختلفة يعزز كفاءة وقابلية التوسع في التعدين المتكرر لمجموعة العناصر وإنشاء القواعد |
الملخص بالانجليزي |
AI methods like machine learning algorithms are crucial for bridging the development gap with advanced countries. Data mining techniques, particularly Association rules, are keys for building effective machine learning models from vast databases. However, the Apriori algorithm, commonly used for extracting association rules, has limitations like generating many item sets and requiring frequent database scans.
This thesis proposes two hybrid methods that merge FP-Growth and Apriori algorithms to address their weaknesses. The first method uses FP-Growth to extract common item sets, create a compact FP-tree and then applies Apriori to generate association rules. The second method starts with Apriori to identify potential item combinations and then uses FP-Growth for further refinement. Experiments with the Mushroom dataset show the first approach is superior, reducing completion time and complexity by up to 26%. While both methods successfully identify rules, the first approach is more efficient and scalable, yielding around 27.1% more rules. Combining FP-Growth and Apriori in different sequences enhances the efficiency and scalability of frequent itemset mining and rule generation in large-scale data mining applications
|
رقم ISN |
9575 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|
|