FP-Growth算法详解

FP-Growth算法详解

简介

FP-Growth（Frequent Pattern Growth）算法是一种高效的关联规则挖掘算法，用于发现大型数据库中的频繁项集。与Apriori算法不同，FP-Growth避免了候选项集的生成过程，通过构建频繁模式树（FP-Tree）来压缩数据库，并递归地挖掘频繁项集。FP-Growth在处理大规模数据集时表现出色。

基本概念

1. 频繁项集（Frequent Itemset）：在数据库中出现次数大于或等于最小支持度阈值的项集。
2. FP-Tree（频繁模式树）：一种压缩数据库的树结构，用于存储项集的频繁模式。
3. 条件FP-Tree（Conditional FP-Tree）：针对某一特定项构建的FP-Tree，用于递归挖掘频繁项集。

FP-Growth算法流程

1. 构建FP-Tree：

   • 扫描数据库，计算每个项的支持度。
   • 移除不满足最小支持度的项。
   • 对每个事务中的项按照支持度降序排序。
   • 构建FP-Tree，将排序后的事务插入FP-Tree中，更新路径上的计数。

2. 递归挖掘频繁项集：

   • 从FP-Tree中提取频繁项。
   • 构建条件FP-Tree。
   • 在条件FP-Tree上递归挖掘频繁项集。

算法的数学描述

1. 扫描数据库，计算每个项的支持度，移除不满足最小支持度的项。
2. 构建FP-Tree：
   • 创建根节点(“null”)。
   • 对每个事务进行处理，按支持度降序排序后插入FP-Tree，更新路径上的计数。
3. 递归挖掘频繁项集：
   • 从FP-Tree中提取频繁项并构建条件FP-Tree。
   • 对条件FP-Tree递归执行步骤3，直到FP-Tree为空或只包含单一路径。

实现示例

以下是使用Python和mlxtend库实现FP-Growth算法的示例：

import pandas as pd
from mlxtend