更多内容关注公众号:数学的旋律
tb店铺搜:FUN STORE玩物社,专业买手挑选送礼好物
引言
FP增长(FP-growth)算法是一种高效发现频繁项集的方法,只需要对数据库进行两次扫描。它基于Apriori构建,但在完成相同任务时采用了一些不同的技术。该算法虽然能更为高效地发现频繁项集,但不能用于发现关联规则。
本文用到的部分术语已在简介中介绍(具体看‘基本概念-关联分析’),这里不再重述。
一、FP-growth算法
FP-growth算法发现频繁项集的基本过程如下:
① 构建FP树
② 从FP树中挖掘频繁项集
二、构建FP树
FP树是一种输入数据的压缩表示,它通过逐个读入事务,并把事务映射到FP树中的一条路径来构造。由于不同的事务可能会有若干个相同的项,因此它们的路径可能部分重叠,路径相互重叠越多,使用FP树结构获得的压缩效果越好。
为构建FP树,需要对原始数据集扫描两遍。
① 第一遍对所有元素项的出现次数进行计数,丢弃支持度小于阈值的非频繁项,得到频繁项集,并对频繁项集按照支持度的递减排序。
② 第二遍扫描时,构建FP树。从空集开始,依次读入排序好的频繁项集中各条事务。如果树中已存在现有元素,则增加现有元素的值;如果现有元素不存在,则向树添加一个分枝。
例1
数据集如下(需满足的最小支持度计数为3):
事务ID | 事务中的元素项 |
---|---|
001 | r,z,h,j,p |
002 | z,y,x,w,v,u,t,s |
003 | z |
004 | r,x,n,o,s |
005 | y,r,x,z,q,t,p |
006 | y,z,x,e,q,s,t,m |
① 对数据集进行第一次扫描,丢弃支持度小于3的非频繁项,得到频繁项集,并对频繁项集按照支持度计数的递减排序,得 | |
(计算支持度计数得要丢弃的非频繁项是:h,j,p,w,v,u,n,o,q,e,m) | |
事务ID | 过滤后的元素 |
– | – |
001 | r,z |
002 | z,y,x,t,s |
003 | z |
004 | r,x,s |
005 | y,r,x,z,t |
006 | y,z,x,s,t |
② 对数据集进行第二次扫描,构建FP树。 | |
![]() |
|
三、从FP树中挖掘频繁项集
从FP树中抽取频繁项集的三个基本步骤如下:
① 从FP树中获取前缀路径(prefix path)
一条前缀路径是介于所查找元素项与树根节点之间的所有内容。为了获得这些前缀路径,可以对树进行穷举式搜索,直到获得想要的频繁项为止,或者使用一个更有效的方法来加速搜索过程。可以利用先前创建的头指针表来得到一种更有效的方法,头指针表包含相同类型元素链表的起始指针,一旦到达了每一个元素项,就可以上溯这棵树直到根节点为止。
② 将前缀路径转化为条件FP树(conditional FP-tree)
对于每一个频繁项,都要创建一棵条件FP树,条件FP树的结构与FP树类似。先对单个元素构建条件FP树(即删除前缀路径中支持度计数小于阈值的树),再对剩下的元素与单个元素两两组合构建新的条件FP树,递归直至条件FP树为空。
例2
挖掘例1中数据的频繁项集
① 获取前缀路径
先创建头指针表及FP树,得到如下所示数据结构
以 t 为例,上图从左往右寻找第一个 t ,通过上溯到根节点可以获取第一个前缀路径为{s,y,x,z},接着利用头指针表寻找下一个 t ,再上溯到根节点可以获取第二个前缀路径为{r,y,x,z}。
每个频繁项的前缀路径如下:
频繁项 | 前缀路径(数字为支持度计数) |
---|---|
z | {}5 |
r | {z}1,{y,x,z}1,{s,x}1 |
x | {z}3,{}1 |
y | {x,z}3 |
s | {y,x,z}2,{x}1 |
t | {s,y,x,z}2,{r,y,x,z}1 |
② 创建条件FP树 | |
以 t 为例: | |
用{t}为结尾项,先计数各支持度计数,再去掉计数值小于3的项,得到条件FP树如下图最右所示 | |
![]() |
|
用循环分别用{x,t}{y,t}{z,t}为结尾项构建条件FP树,直至构建的条件FP树为空。 | |
四、代码实现(python)
以下代码来自Peter Harrington《Machine Learing in Action》
代码如下(保存为fpGrowth.py):
# -- coding: utf-8 --
class treeNode:
# FP树中节点的类定义,用于构建FP树
def __init__(self, nameValue, numOccur, parentNode):
self.name = nameValue # 节点名字
self.count = numOccur # 计数值
self.nodeLink = None # 链接相似的元素项
self.parent = parentNode # 指向当前节点的父节点
self.children = {
} # 存放节点的子节点
def inc(self, numOccur):
# 对count变量增加给定值
self.count += numOccur
def disp(self, ind=1