FP-growth高效频繁项集发现

　　FP-growth

　　算法优缺点：

　　优点：一般快于Apriori

　　缺点：实现比较困难，在某些数据上性能下降

　　适用数据类型：标称型数据

　　算法思想：

　　FP-growth算法是用来解决频繁项集发现问题的，这个问题再前面我们可以通过Apriori算法来解决，但是虽然利用Apriori原理加快了速度，仍旧是效率比较低的。FP-growth算法则可以解决这个问题。

　　FP-growth算法使用了频繁模式树(Frequent Pattern Tree)的数据结构。FP-tree是一种特殊的前缀树，由频繁项头表和项前缀树构成。所谓前缀树，是一种存储候选项集的数据结构，树的分支用项名标识，树的节点存储后缀项，路径表示项集。

　　FP-growth算法生成频繁项集相对Apriori生成频繁项集的主要好处就是速度快，能快到几个数量级;另一个好处就是用FP树存储数据可以减少存储空间，因为关联挖掘的数据集往往是重复性很高的，这就能带来很高的压缩比。

　　算法可以分成一下几个部分：

　　构建FP树

　　首先我们要统计出所有的元素的频度，删除不满足最小支持度的(Apriori原理)

　　然后我们要根据频度对所有的项集排序(保证我们的树是最小的)

　　最后根据排序的项集构建FP树

　　从FP树挖掘频繁项集：

　　生成条件模式基

　　生成条件FP树

　　算法的执行过程这篇文章有个很好的示例程序