摘要：

　　1.算法概述

　　2.算法推導(dǎo)

　　3.算法特性及優(yōu)缺點(diǎn)

　　4.注意事項(xiàng)

　　5.實(shí)現(xiàn)和具體例子

　　6.適用場(chǎng)合

內(nèi)容：

1.算法概述

　　關(guān)聯(lián)規(guī)則（associatio rules）:從大規(guī)模數(shù)據(jù)集中尋找物品建隱含關(guān)系被稱作關(guān)聯(lián)分析或關(guān)聯(lián)規(guī)則學(xué)習(xí)

　　頻繁項(xiàng)集（frequent itemsets）：經(jīng)常出現(xiàn)在一起的物品集合

　　FPgrowth是一個(gè)流行的頻繁項(xiàng)集挖掘的算法（韓家煒等人在2000年）；在算法中使用了一種稱為頻繁模式樹(shù)（Frequent Pattern Tree）的數(shù)據(jù)結(jié)構(gòu)（見(jiàn)算法推導(dǎo)）。

2.算法推導(dǎo)

2.1 幾個(gè)基本概念

　　支持度（support）：支持度表示項(xiàng)集{X,Y}在總項(xiàng)集里出現(xiàn)的概率。?Support(X→Y) = P(X,Y) / P(I) = num(XUY) / num(I),其中I為總項(xiàng)集；

　　可信度或置信度（confidence）:置信度表示在先決條件X發(fā)生的情況下，由關(guān)聯(lián)規(guī)則”X→Y“推出Y的概率；Confidence(X→Y) = P(Y|X) =?num(XUY) / num(X)

　　提升度（Lift）:?Lift(X→Y) = P(Y|X) / P(Y)

　　強(qiáng)關(guān)聯(lián)規(guī)則：滿足最小支持度和最小置信度的規(guī)則

　　如果Lift(X→Y)>1，則規(guī)則“X→Y”是有效的強(qiáng)關(guān)聯(lián)規(guī)則。

? ? ? ? 如果Lift(X→Y) <=1，則規(guī)則“X→Y”是無(wú)效的強(qiáng)關(guān)聯(lián)規(guī)則。

? ? ? ? 特別地，如果Lift(X→Y) =1，則表示X與Y相互獨(dú)立。（參考自）

2.2 幾個(gè)基本原理

　　Aprori 原理:如果某條規(guī)則并不滿足最小可信度，則該規(guī)則的所有子集也不滿足最小可信度　　

3.算法特性及優(yōu)缺點(diǎn)

　　優(yōu)點(diǎn)：一般快于Apriori算法（只掃描兩次數(shù)據(jù)集）

　　缺點(diǎn):實(shí)現(xiàn)比較困難，在某些數(shù)據(jù)集上性能下降

4.注意事項(xiàng)

　　連續(xù)數(shù)據(jù)要進(jìn)行離散化

5.實(shí)現(xiàn)和具體例子

　　《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》中的實(shí)現(xiàn)以及發(fā)現(xiàn)國(guó)會(huì)投票中的模式案例

　　Spark mllib實(shí)現(xiàn)(run方法);使用AssociationRules挖掘關(guān)聯(lián)規(guī)則

　　應(yīng)用：

　　　　交叉銷售：電信行業(yè)針對(duì)用戶已經(jīng)使用的產(chǎn)品和業(yè)務(wù)，向其推薦他沒(méi)有使用的

6.適用場(chǎng)合

　　支持大規(guī)模數(shù)據(jù)：是

　　特征維度：無(wú)

　　是否有 Online 算法:這個(gè)沒(méi)必要吧？

　　特征處理：支持類別型數(shù)據(jù)或者離散型數(shù)據(jù)，連續(xù)數(shù)據(jù)要進(jìn)行離散化

轉(zhuǎn)載于:https://www.cnblogs.com/arachis/p/FPGrowth.html

總結(jié)

以上是生活随笔為你收集整理的FPGrowth算法总结复习的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。