关于关联分析算法有一个非常有名的故事:”尿布和啤酒”。故事是这样的:美国的妇女们经常会嘱咐她们的丈夫下班后为孩子买尿布,而丈夫在买完尿布后又要顺手买回自己爱喝的啤酒,因此啤酒和尿布在一起被购买的机会很多。这个举措使尿布和啤酒的销量双双增加,并一直为众商家所津津乐道。
起初Apriori算法的提出有效的能发现这种物品间的关联规则,但是Apriori算法频繁的扫描数据集,造成效率低下,在大的数据集上执行的会非常缓慢。后来FP-Growth算法的提出有效的解决了这个缺点。
FP-Growth(Frequent Pattern Tree,频繁模式树)算法是韩家炜老师提出的关联分析算法,巧妙的将树型结构引入算法中,它采取如下分治策略:提供频繁项集的数据库压缩到一棵频繁模式树(FP-Tree),但仍保留项集关联信息;该算法和Apriori算法最大的不同有两点:
第一,不产生候选集。
第二,只需要两次遍历数据库,大大提高了效率。
流程如下:
1:先扫描一遍数据集,得到频繁项为1的项目集,定义最小支持度(项目出现最少次数),删除那些小于最小支持度的项目,然后将原始数据集中的条目按项目集中降序进行排列。
2:第二次扫描,创建项头表(从上往下降序),以及FP树。
3:对于每个项目(可以按照从下往上的顺序)找到其条件模式基(CPB,conditional patten base),递归调用树结构,删除小于最小支持度的项。如果最终呈现单一路径的树结构,则直接列举所有组合;非单一路径的则继续调用树结构,直到形成单一路径即可。
如果上述不是很明白的话,以下用图进行展示:
如下图所示数据清单(第一列为购买id,第二列为物品项目):
第一步:构造FP树
1:扫描事务数据库对每个物品进行记数:
2:定义minsup=20%,即最小支持度(物品最少出现的次数)为2。
3:按照降序排列重新排列物品集。
(如果出现小于2的物品则需要删除)
4:按照项目出现次数重新调整数据库中的物品清单。
5:进行FP树的构建:
加入第一条清单(I2,I1,I5):
加入第二条(I2,I4):
出现相同的节点要进行累加(I2)。
加入第三条(I2,I3):
加入第四条(I2,I1,I4):
加入第五条(I1,I3):
加入第六条(I2,I3):
加入第七条(I1,I3):
加入第八条(I2,I1,I3,I5):
加入第九条(I2,I1,I3):
这样FP树建立起来。
第二步:挖掘频繁项集
可以按照从下往上的顺序: 先考虑I5:
得到条件模式基<(I2,I1:1)>,<(I2,I1,I3:1)>,构造FP树:
(条件模式基:顺着I5的链表,找出所有包含I5的前缀路径,这些前缀路径就是I5的条件模式基)。
删除小于支持度的节点。
形成单条路径后进行组合。得到I5频繁项集:{{I2,I5:2},{I1,I5:2},{I2,I1,I5:2}}。
接着考虑I4,得到条件模式基<(I2,I1:1)>、<(I2:1)>,构造条件FP树:
得到I4频繁项集:{{I2,I4:2}}。
然后考虑I3,得到条件模式基<(I2,I1:2)>、<(I2:2)>、<(I1:2)>构造条件FP树:
由于此树不是单一路径,因此需要递归挖掘I3。
递归考虑I3,此时得到I1条件模式基<(I2:2)>,即I1I3的条件模式基为<(I2:2)>构造条件FP树:
得到I3的频繁项目集{{I2,I3:4},{I1,I3:4},{I2,I1,I3:2}}。
最后考虑I1,得到条件模式基<(I2:4)>构造条件FP树:
得到I1的频繁项目集{{I2,I1:4}。
总结:FP-growth通过两次扫描数据库,将原始数据压缩在一个树形结构上,该树优点为路径共用,压缩数据,接着通过数找到每个item条件模式基,递归挖掘频繁项集,但不能用于发现关联规则。