FP-growth算法简要笔记

        之前写了一篇关于Apriori关联算法，FP-growth算法也是一种经典的频繁项集和关联规则的挖掘算法，但在较大数据集上Apriori需要花费大量的运算开销，而FP-growth不会有这个问题。因为FP-growth只扫描整个数据库两次。由于FP-growth算法比较复杂，我主要简单做一下笔记。

        打开你的搜索引擎，输入一个单词或一部分，例如“程序员”，搜索引擎可能会去检索和“程序员”一块出现得频繁的词，然后返回。本质是去找频繁项集，而且需要相当地高效，像Apriori的效率太低了，同时也很耗费算力资源。 

        （🔗5博主的说法节选）这个算法挺冷门的，至少比Apriori算法冷门。很多数据挖掘的教材还会提一提Apriori，但是提到FP-growth的相对要少很多。原因也简单，因为从功能的角度上来说，FP-growth和Apriori基本一样，相当于Apriori的性能优化版本。但不得不说有时候优化是一件很尴尬的事，因为优化意味着性能要求很高。但是反过来说，对于性能有着更高要求的应用场景，无论是企业也好，还是学术研究也罢，现在早就有了更好的选择，完全可以用更强大的算法和模型，没必要用这么个古老算法的优化版。对于那些性能要求不高的场景，简单的Apriori也就够了，优化的必要也不是很大。但是不管这个算法命运如何，至少从原理和思路理念上来说的确有为人称道的部分。下面我们就来看看它的具体原理吧。

  (来自链接1与4博主的说法)FP-growth被用于挖掘频繁项集，它把数据集存储为一个叫FP树的数据结构里，这样可以更高效地发现频繁项集或频繁项对。相比于Apriori对每个潜在的频繁项集都扫描数据集判定是否满足支持度，FP-growth算法只需要遍历两次数据库，因此它在大数据集上的速度显著优于Apriori。，FP-growth由于只遍历数据集两遍，因此其时间复杂度不会很高。但是对于海量数据在内存中建立一份统一的 FP 树结构是不大现实的。这就需要考虑采用并行计算的思路来并发实现 FP-growth。

 FP-growth理论讲解请看🔗4，说的清楚，但配的图很少，理解较难，请去往🔗5。（我认为就🔗5是相对原理这方面是讲明白了的），这里贴上国科大刘莹老师的部分PPt。

 

 

 

条件模式基 conditional pattern base

 

 

 

        

参考资料

​​​​​​ ​​​​​​FP-growth算法理解和实现_木百栢的博客-CSDN博客_fp-growth算法  ​​​​​​​​​​​​​​​​​​​​​​​​​​​wFP-growth 算法与Python实现_songbinxu的博客-CSDN博客_fp growth【FP-growth算法理解和实现_木百栢的博客-CSDN博客_fp-growth算法‘

从零实现机器学习算法（十四）FP-growth - 知乎精品🔗4

嫌弃Apriori算法太慢？使用FP-growth让你的数据挖掘快到飞起 - 知乎精品🔗5比1好点