FP增长（FP-Growth）算法例题

最新推荐文章于 2022-06-12 17:24:34 发布
原创 最新推荐文章于 2022-06-12 17:24:34 发布 · 8k 阅读 · 85 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#数据分析

本文通过实例解析，介绍了如何使用FP增长算法在支持度为60%、置信度为80%的条件下，找出数据库中的频繁项集，包括步骤一的字母计数、步骤二的FP图绘制，以及步骤三条件模式基的生成过程。

题目：数据库有5个事物，设min_sup=60%（支持度），min_conf=80%（置信度）

使用FP增长算法找出所有的频繁项集。

步骤① ：数出字母个数

min_sup=60%，所以去除个数 <3（5×0.6）的字母；

（若同一行有2个以上相同字母，则都算作1个）

因此结果为：K 5 、 E 4 、 M 3 、O 3 、Y 3

步骤② ：画出FP图

（按步骤①的结果排序，而不是商品的名字字母顺序）

步骤③ ：写出4种条件模式基（Y、O、M、E），从而找出所有的频繁项集

（min_sup=60%，所以去除个数 <3（5×0.6）的字母）

FP Growth算法简介+实例
行步至春深
03-16 1万+
算法背景：找出关联规则的一种方法是，先找出所有频繁项集，即满足support>=minsup的项集，然后再从频繁项集中选出置信度满足要求的，最后得到强关联规则。问题是，找出所有频繁项集的过程，计算量是极大的。解决这一问题的思路之一是减少候选集。从这一思路出发，有两种较为成熟的解决方案。其中之一是Apriori算法，另一个则是FP Growth算法，也叫做FP Tree算法。也就是说，FP Growth算法是一个挖掘频繁项集的算法。 参考文档：添加链接描述 ...
Apriori算法的实现
Joyce_Joe的博客
09-21 2224
首先通过扫描数据库，累计每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合。然后L1用于找频繁2项集的集合L2，L2用于找L3，如此下去直到不能再找到频繁k项集。以此类推，对Lk-1的自身连接生成的集合执行剪枝策略产生候选k项集Ck，然后，扫描所有事务，对Ck中的每个项进行计数。对L1的自身连接生成的集合执行剪枝策略产生候选2项集的集合C2，然后，扫描所有事务，对C2中每个项进行计数。对L2的自身连接生成的集合执行剪枝策略产生候选3项集的集合C3，然后，扫描所有事务，对C3每个项进行计数。
国科大刘莹数据挖掘第二次作业.pdf
11-02
1．Consider the data set shown in Table 1（min_sup = 60%, min_conf=70%）. (a) Find all frequent itemsets using Apriori by treating each transaction ID as a market basket. (b) Use the results in part (a) to compute the confidence for the association rules {a, b}{c} and {c}{a, b}. Is confidence a symmetric measure? (c) List all of the strong association rules (with support s and confidence c) matching the following metarule, where X is a variable representing customers, and itemi denotes variables representing items (e.g. “A”, “B”, etc.): 2．Consider the data set shown in Table 1（min_sup = 60%）. (a) Find all frequent itemsets using FP-Growth. Please present all the FP-trees and all the conditional pattern bases. (b) Compare the efficiency of Apriori and FP-Growth.
【数据挖掘复习题】
热门推荐
AXDLMG7的优快云~
06-12 1万+
1.下面哪个不属于数据的属性类型 A.标称 B.序数 C.区间 D.相异2.属于定量的属性类型是 A.标称 B.序数 C.区间 D.相异3.一所大学内的各年纪人数分别为：一年级200人，二年级160人，三年级130人，四年级110人。则年级属性的众数是 A.一年级 B.二年级 C.三年级 D.四年级4.假设属性income的最大最小值分别是12000元和98000元。利用最大最小规范化的方法将属性的值映射到0至1的范围内。对属性income的73600元将被转化为 A.0.821 B.1.224 C.1.4
FP_Growth算法案例讲解和演示
08-17
资源包含了FP-tree算法的演示文本、算法源码的讲解、可执行程序的演示以及可编译程序代码，通过这些资源，你可以掌握fp_tree 算法的原理和树的创建过程。
fp算法例题_机器学习-FPGROWTH算法.pptx
weixin_28992423的博客
01-12 499
机器学习-FPGROWTH算法机器学习-FP-GROWTH算法;目录;回忆Apriori算法;回忆Apriori算法;回忆Apriori算法;Apriori算法的挑战;FP-GROWTH算法优点;FP-GROWTH算法原理-实例1;FP-GROWTH算法原理-实例1-统计频次;FP-GROWTH算法原理-实例1-重新排序;FP-GROWTH算法原理-实例1-建立FP树;FP-GROWTH算法原理-...
fp算法例题_机器学习（九）—FP-growth算法
weixin_39595621的博客
12-20 987
本来老师是想让我学Hadoop的，也装了Ubuntu，配置了Hadoop，一时间却不知从何学起，加之自己还是想先看点自己喜欢的算法，学习Hadoop也就暂且搁置了，不过还是想问一下园子里的朋友有什么学习Hadoop好点的资料，求推荐~言归正传，继Apriori算法之后，今天来学习FP-growth算法。和Apriori算法相比，FP-growth算法只需要对数据库进行两次遍历，从而高效发现频繁项集...
精选资源
基于FP-growth算法的数据挖掘实例研究.pdf
07-14
数据挖掘是一项利用算法和技术从大量数据中提取有价值信息的过程，其应用领域...随着大数据技术的发展和应用，数据挖掘正成为企业竞争力的重要组成部分，而FP-growth算法作为其中的关键技术，其应用价值将会持续增长。
机器学习（十一）：FP增长（FP-growth）
tb店铺搜：FUN STORE玩物社，专业买手挑选送礼好物
05-14 1万+
引言：     FP增长（FP-growth）算法是一种高效发现频繁项集的方法，只需要对数据库进行两次扫描。它基于Apriori构建，但在完成相同任务时采用了一些不同的技术。该算法虽然能更为高效地发现频繁项集，但不能用于发现关联规则。       本文用到的部分术语已在简介中介绍（具体看‘基本概念-关联分析’），这里不再重述。 一、FP-growth算法 FP-growth算法发现频繁...
fp-growth算法详解与实现
qq_44753451的博客
06-13 1万+
fp-growth算法详解与实现一、摘要二、绪论三、算法介绍四、算法实现五、总结 一、摘要   本文讲解fp-growth算法的原理，梳理了fp-growth算法的实现流程，并使用Java实现fp-growth算法，通过面向对象的思想使算法更加结构化，并使其更加通俗易懂。 二、绪论   在之前的博客中我们详细介绍了Apriori算法的实现（要是不知道，可以自行百度或看我之前的博客），但大家应该可以发现，Apriori算法在求得频繁项集的时候会对数据集进行多次扫描，很大程度上降低算法执行的效率。实际上Apri
fpGrowth算法
05-16
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
图解FPGrowth 算法
04-23
NULL 博文链接：https://dacoolbaby.iteye.com/blog/2095472
fp算法例题_大部分人都理解错了的FPgrowth算法
weixin_39969881的博客
12-20 1214
摘要 韩家炜教授等人提出FP-growth(Frequent Pattern growth)算法是频繁模式(Frequent Pattern, FP)挖掘领域的经典算法，其高效性能的背后是强大的信息压缩树——频繁模式树(Frequent Pattern Tree, FPTree)，但在构建FPTree的过程中很容易忽略一些关键的步骤，如正确的频繁模式顺序(Frequent Pattern Orde...
fp算法例题_机器学习实战精读--------FP-growth算法(示例代码)
weixin_42571280的博客
01-12 1208
从数据集获取有趣信息的方法：常用的两种分别是频繁项集和关联规则。FP-growth：虽然可以高效的发现频繁项集，但是不能用于发现关联规则。FP-growth算法只需要对数据库进行两次扫描，速度要比Apriori算法块。FP-growth发现频繁项集的基本过程：① 构建FP树第一遍 对所有元素项的出现次数进行技术，用来统计出现的频率。第二遍 只考虑哪些频繁元素② 从FP树种挖掘频繁项集。从FP树种抽...
关联分析：FP-Growth算法
xshuang2的博客
12-18 2469
关联分析：FP-Growth算法 　　关联分析又称关联挖掘，就是在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的频繁模式、关联、相关性或因果结构。关联分析的一个典型例子是购物篮分析。通过发现顾客放入购物篮中不同商品之间的联系，分析顾客的购买习惯。比如，67%的顾客在购买尿布的同时也会购买啤酒。通过了
FP-growth算法应用实例（基于python）
weixin_42419314的博客
11-05 6479
我把关于FP-Growth的算法原理，python实现代码，以及代码解读放在了另外一篇文章：有兴趣可以看看。 这篇文章给出该算法的一个很酷的实例应用。我们将用到一个叫 kosarak.dat 的数据集，可以从这里下载。这份数据集包含将近100万条记录，对于展示FP-Growth算法的速度十分有效。该文件的每一行包含某个用户浏览过的新闻报道。用户和报道被编码成整数。 为了看起来方便，还是先放一下...
记一个FPGrowth的简单例子
Lestat.Z.的博客
05-09 3689
前言 Frequent Pattern Mining 挖掘频繁项目，项目集，子序列或其他子结构通常是分析大规模数据集的第一步，这是数据挖掘多年来一直活跃的研究课题。这也是关联规则挖掘的常用算法之一。 关联规则中的一些基本概念 关联规则：用于表示数据内隐含的关联性，一般用X表示先决条件，Y表示关联结果。 支持度(Support)：所有项集中{X,Y}出现的可能性。 置信度(Confide...
Frequent Pattern 挖掘之二(FP Growth算法)
liyonghui123的专栏
06-27 450
  Frequent Pattern 挖掘之二(FP Growth算法) FP树构造 FP Growth算法利用了巧妙的数据结构，大大降低了Aproir挖掘算法的代价，他不需要不断得生成候选项目队列和不断得扫描整个数据库进行比对。为了达 到这样的效果，它采用了一种简洁的数据结构，叫做frequent-pattern tree(频繁模式树)。下面就详细谈谈如何构造这个树，举例是最好的方法。...
fp算法例题_FP-growth算法
weixin_36408592的博客
02-01 1796
FP代表频繁模式(Frequent Pattern)。这里有几点需要强调一下：第一，FP-growth算法只能用来发现频繁项集，不能用来寻找关联规则。第二，FP-growth算法发现频繁集的效率比较高，Apriori算法要对于每个潜在的频繁项集都会扫描数据集来判定是否频繁，FP-growth算法只需要对数据集进行两次扫描。这种算法的执行速度要快于Apriori，通常性能要好两个数量级以上。第三，F...
数据挖掘 fp-growth算法例题
最新发布
12-20
FP-Growth算法是一种常用的数据挖掘算法，用来发现数据集中的频繁模式。它通过构建一种称为FP树的数据结构来表示数据集，并利用FP树来发现频繁模式。下面我们通过一个例题来详细介绍FP-Growth算法的应用。 假设我们有一个购物篮数据集，其中包含了多个顾客的购物信息，每一条记录代表一个顾客的购物篮内容。我们现在希望利用FP-Growth算法来找出其中的频繁模式。 首先，我们需要对购物篮数据集进行预处理，将每个顾客的购物篮内容整理成一个事务集。然后，我们利用FP-Growth算法来构建FP树，找出频繁模式。 举个例子，假设我们有以下事务集： {面包, 牛奶, 蛋, 鸡蛋} {面包, 饼干, 蛋, 西瓜} {饼干, 鸡蛋, 西瓜} {面包, 蛋, 西瓜} {面包, 牛奶, 蛋, 鸡蛋} 首先，我们利用FP-Growth算法建立FP树，然后在FP树上挖掘频繁模式。通过挖掘FP树，我们可以找到频繁模式{面包}、{蛋}、{鸡蛋}、{蛋,面包}、{鸡蛋,蛋}等。 通过这个例题，我们可以看到FP-Growth算法的具体应用过程，即将原始数据集整理成事务集，利用FP-Growth算法建立FP树，最后从FP树中找出频繁模式。这些频繁模式可以帮助我们了解顾客的购物习惯，从而为商家提供更好的商品推荐和营销策略。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值