FP-Growth算法是一种高效的关联规则挖掘算法，相比Apriori，它仅需扫描数据两次。通过构建FP-tree，算法能有效压缩数据并提高效率。主要步骤包括FP-tree的构建和递归挖掘。在统计事务频次后，生成FP-tree，以此为基础找出频繁项集。
1 FP-Growth算法背景
常见的关联规则算法分为两类，一：Apriori算法，二：FPGrowth。
Apriori：不断扫描数据库、构造候选集、筛选候选集，挖掘出频繁项集，，缺点：当数据量较大时，运行速度较慢。
FPGrowth算法优势：只需扫描两遍数据，通过FP-tree数据结构压缩原始数据，效率较高。FPGrowth算法主要分为两个步骤：FP-tree构建、递归挖掘FP-tree。
FP-tree构建通过两次数据扫描，将原始数据中的事务压缩到一个FP-tree树，该FP-tree类似于前缀树，相同前缀的路径可以共用，从而达到压缩数据的目的。接着通过FP-tree找出每个item的条件模式基、条件FP-tree，递归的挖掘条件FP-tree得到所有的频繁项集。算法的主要计算瓶颈在FP-tree的递归挖掘上
2 FP-Growth算法原理
假设事物数据集为
| item1 | A | B | C | D |
| item2 | B | C | D | |
| item3 | C | D | ||
| item4 | B | F | G | H |
| item5 | A | C | D |
最低0.47元/天 解锁文章
864
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
