fp-growth(frequent pattern tree, 頻繁模式樹), 是韓家煒提出的挖掘頻繁項集的方法，是將資料集儲存在乙個特定的稱作 fp 樹的結構之後發現頻繁項集或頻繁項對，即常在一塊出現的元素項的集合 fp 樹。fp-growth 演算法比 apriori 演算法效率更高，在整個演算法執行過程中，只需遍歷資料集 2 次，就能夠完成頻繁模式發現，其發現頻繁項集的基本過程如下：（1）構建 fp樹（2）從 fp 樹中挖掘頻繁項集
fp-growth 的一般流程如下：1：先掃瞄一遍資料集，得到頻繁項為 1 的專案集，定義最小支援度（專案出現最少次數），刪除那些小於最小支援度的專案，然後將原始資料集中的條目按專案集中降序進行排列。2：第二次掃瞄，建立項頭表（從上往下降序），以及 fp 樹。3：對於每個專案（可以按照從下往上的順序）找到其條件模式基（cpb，conditional patten base）, 遞迴呼叫樹結構，刪除小於最小支援度的項。如果最終呈現單一路徑的樹結構，則直接列舉所有組合；非單一路徑的則繼續呼叫樹結構，直到形成單一路徑即可。
tiditems
1i1, i2, i5
2i2, i4
3i2, i3
4i1, i2, i4
5i1, i3
6i2, i3
7i1, i3
8i1, i2, i3, i5
9i1, i2, i3
掃瞄資料集，對每個物品進行計數：
項集支援度i27
i16i36
i42i52
設最小支援度計數為2
掃瞄資料庫，統計支援度計數，得到頻繁1-項集，按支援度降序排列
tiditems
1i2,i1,i5
2i2, i4
3i2, i3
4i2,i1,i4
5i1, i3
6i2, i3
7i1, i3
8i2,i1,i3,i5
9i2,i1, i3
得到了fp樹和項頭表以及節點鍊錶，我們首先要從項頭表的底部項依次向上挖掘。對於項頭表對應於fp樹的每一項，我們要找到它的條件模式基。所謂條件模式基是以我們要挖掘的節點作為葉子節點所對應的fp子樹。得到這個fp子樹，我們將子樹中每個節點的的計數設定為葉子節點的計數，並刪除計數低於支援度的節點。從這個條件模式基，我們就可以遞迴挖掘得到頻繁項集了
從i
5i_5
i5開始，對於頭表中的每個iii_
ii，確定自身為頻繁模式，再挖掘以iii_
ii為字尾的頻繁模式
將所有的祖先節點計數設定為葉子節點的計數
字首路徑/條件模式基：
,i1: 1> 、 ,i1, i3:1 > 、,i1: 1> 、,i1, i3:1 > 頻繁模式： \( \(2的含義指的是i2， i5 i_2，i_5 i2，i5 都是2)\\ 提取以i4的字首路徑/條件模式基： 、(i1被砍掉了) i4為字尾的頻繁模式: \提取以i3為字尾的頻繁模式 有兩分支，則： 對於條件fp樹頭表中的每個ii，與i3連線確定頻繁模式ii, i3 ii,i3 ，支援度等於ii的支援度。 遞迴挖掘條件fp樹，提取以ii, i3 ii,i3 為字尾的頻繁模式 頻繁模式：\\ \以i 1i_1 i1為字尾 \i 2i_2 i2只有字首，沒有字尾 項條件模式基 條件fp樹 產生的頻繁模式 i5, , , i4, i3, , , , , i1 fp growth 演算法優缺點 優點 一般快於apriori 缺點 實現比較困難，在某些資料上效能下降 適用資料型別 標稱型資料 演算法思想 fp growth演算法是用來解決頻繁項集發現問題的，這個問題再前面我們可以通過apriori演算法來解決，但是雖然利用apriori原理加快了速度，仍舊是... 序列模式是頻繁模式的一種特殊情況，它們的應用範圍完全不一樣！如 購買物品 尿布 啤酒 可樂 麵包 尿布 啤酒 上述購物清單是兩個使用者的購物清單，根據上面的清單，我們可以發現尿布和啤酒組合起來一起購買的情況較多，因此超市可以根據這樣的頻繁項集分析，將尿布和啤酒放在較近的地方，或者將尿布和啤酒同時 等... dm實驗，寫的比較二，好多情況還沒有考慮，後續有時間會修改。開始的時候資料結構沒設計好導致寫到後面費了很大的勁 不過還好python的列表有起死回生的功效 資料集 database.txt i1,i2,i5 i2,i4 i2,i3 i1,i2,i4 i1,i3 i2,i3 i1,i3 i1,i2,i...FP growth高效頻繁項集發現
頻繁序列模式挖掘
頻繁模式挖掘 Apriori演算法