FP增长（FP-Growth）算法例题

原创 最新推荐文章于 2026-05-15 07:17:01 发布 8.2k 阅读 AI写同款
收录于
知识点

当前文章被收录于：

知识点
1 篇文章 0 人学习
订阅专栏 查看详情
JayLinnn
JayLinnn 博客等级 码龄6年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 8.2k累计阅读 8.3k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
312粉丝10篇原创
关注
机器学习（十一）：FP增长（FP-growth） 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... 阅读详情
AI摘要

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）

标签
#数据分析
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。
FP Growth算法简介+实例 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 ... 阅读详情

相关推荐

记一个FPGrowth的简单例子

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...

Lestat.Z.的博客 3844

数据挖掘作业5（个数据库有5个事务，如下表所示。设min_sup=60%,min_conf=80%）

5.7一个数据库有5个事务，如下表所示。设min_sup=60%,min_conf=80%。 （1）分别用Apriori算法和FP-growth算法找出所有频繁项集，比较两种挖掘方法的效率。 （2）比较穷举法和Apriori算法生成的候选项集的数量。 （3）利用（1）所找出的频繁项集，生成所有的强关联规则和对应的支持度和置信度。 ![在这

阿火 4万+

Apriori关联分析与FP-growth挖掘频繁项集

1 问题引入 在去杂货店买东西的过程，实际上包含了机器学习的应用，这包括物品的展示方式、优惠券等。通过查看哪些商品经常被一起购买，商店可以了解用户的购买习惯，然后将经常被一起购买的物品摆放在一起，有助于商品的售卖。从大规模数据集中寻找物品建的隐含关系被称作关联分析。但是寻找物品不同的组合是一项十分耗时的任务，暴力搜索不不能解决这个问题，所以我们需要考虑更加智能的方式去完成这项艰巨的任务。 2

Howie的博客 1111

关联分析：FP-Growth算法

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

xshuang2的博客 2565

FP增长算法(FP Growth Algorithm)

FP增长算法

foryoundsc的博客 5003

FP_Growth算法案例讲解和演示

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。

Apriori算法找出频繁项集(python)

Apriori算法找出频繁项集(python)

algorithem的博客 8246

国科大刘莹数据挖掘第二次作业.pdf

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.

FP增长算法

1）第一步，对事务数据库进行一次扫描，找出频繁1项集，按降序排序。由于所有1项集的支持度计数均超过了支持度计数阈值4，故全部保留。=40%，试利用FP增长算法找出所有满足支持度阈值的频繁项集。递归挖掘FP树，找出所有包含频繁1项集的前缀路径。2)对每个事务中的元素按支持度顺序排序。解：由于设定的支持度阈值为40%，从而。

m0_74797638的博客 758

ESP32 CAM安装配置 第四部份：通过使用ESPHome的方式ESP32 Cam加到HomeAssistant

这些包括 aec_value, aec2, ae_level, agc_gain, gain_ctrl, bpc, wpc, raw_gma, lenc, hmirror, dcw, colorbar 等。这些参数的可能值和具体效果会根据你的摄像头硬件和 ESPHome 的版本有所不同。在 ESPHome 中配置 ESP32 Cam 时，每个参数的可能值取决于具体的功能和支持范围。值的范围是 0 到 63，其中 0 是最差质量，63 是最佳质量。horizontal: 水平校正的强度，通常是一个数字值。

weixin_42895252的博客 3364

AI风控系统中的实时决策架构：架构师的关键设计

当用户点击「确认支付」时，一场毫秒级的“欺诈攻防战”正在后台悄然打响：系统需要在100ms内完成用户行为特征提取→欺诈模型推理→规则引擎校验→最终决策返回。这就是AI风控实时决策架构的核心——用技术对抗“实时化的欺诈手段”。本文将以「餐厅智能点餐系统」为类比，拆解实时风控架构的每一层逻辑：从“如何快速拿到用户的实时行为特征”（像服务员实时收集顾客的忌口），到“如何让模型和规则协同决策”（像厨师长结合菜谱和经验判断菜能不能做），再到“如何保证系统扛住大促的高并发”（像餐厅加桌子应对客流高峰）。我们会用。

2502_91592937的博客 1472

Apriori&FP-Growth算法详解

Apriori与FP-Growth算法对比：两种经典频繁项集挖掘方法。Apriori通过逐层生成候选项集并计算支持度来发现频繁项集，存在组合爆炸问题。FP-Growth则通过构建紧凑的FP树结构，仅需两次数据库扫描，利用条件模式基递归挖掘，避免了候选集生成。实验显示FP-Growth在处理长模式和大量频繁项时效率显著优于Apriori，特别适合大规模数据集。两种算法各具特点：Apriori原理直观但计算量大，FP-Growth效率高但实现复杂。

m0_68361357的博客 1096

02.1 知识图谱工具 Protege的下载安装与使用

Protege的下载安装与使用 本文是王昊奋老师《知识图谱》系列笔记第2.1篇。 文章目录Protege的下载安装与使用0 相关介绍0.0 Protege相关介绍0.1 Protégé的特点0.2 Protégé的用途1 Protege的下载1.1 准备工作：安装配置JAVA环境1.2 官网下载2 Protege的安装2.1 直接解压缩2.2 双击运行3 Protege的使用实例-创建类...

和而不流 7万+

频繁模式增长算法（FP-growth）

算法提出的背景 尽管有着很多的办法用来提升Apriori算法效率，但是如下的两个问题并没有得到很好的解决： 仍会产生大量的候选集，比如10410^4104个频繁1项集，就需要产生10710^7107个频繁2项集 在产生频繁K项集的过程中，需要重复的扫描数据库，开销很大 FP-growth算法的基本原理 FP-growth算法的提出，就很好的解决了在产生候选项集过程中巨大的开销。 它采用了分治的...

Forlogenの解忧杂货铺 6252

保姆级教程：用Fiddler+夜神模拟器搞定抖音App抓包（附SSL Pinning绕过实战）

本文提供了一套完整的移动端抓包解决方案，详细介绍了如何使用Fiddler和夜神模拟器进行抖音App抓包，并重点讲解了SSL Pinning绕过技术。通过Xposed框架和JustTrustMe模块的组合，实现高效抓包，适用于产品分析、竞品研究和安全测试等场景。

weixin_30855099的博客 421

计算机网络-自顶向下方法 第三章课后习题答案（第七版）

复习题 R1. a) 就叫这个协议为简单传输协议STP（Simple Transport Protocol）。在发送方，STP从发送进程接收不超过1196字节的数据块、目标主机地址和目标端口号。STP向每个块添加一个4字节的头，并将目标进程的端口号放在头中。STP然后将目标主机地址和结果段提供给网络层。网络层将段交付给目的地主机的STP。目的主机基于STP检查段中的端口号，从段中提取数据，并将数据传递给由端口号标识的进程。 b) 在发送方，STP从发送进程接收不超过1192字节的数据块、目标主机地址和目标端

Erekilu的博客 2万+

FP-Growth算法全解析：理论基础与实战指导

本篇博客全面探讨了FP-Growth算法，从基础原理到实际应用和代码实现。我们深入剖析了该算法的优缺点，并通过Python示例展示了如何进行频繁项集挖掘。

TechLead 3862

29、机器人动力学中的欧拉 - 拉格朗日与哈密顿力学

本文深入探讨了机器人动力学中的欧拉-拉格朗日与哈密顿力学框架，涵盖向量流形上的辛结构、哈密顿方程的几何代数表述、泊松括号与积分不变量等核心概念。文章详细推导了机电系统中拉格朗日量与哈密顿量的构建方法，并结合牛顿-欧拉算法给出了局部哈密顿量和动量导数的迭代计算流程，适用于多关节机器人的动力学建模与控制设计。通过应用案例展示了理论在双关节机器人手臂中的实际运用，最后展望了其在优化控制、鲁棒性提升及智能融合方向的潜力。

perl8的博客 129

【算法篇】关联性分析 FP-Growth算法

FP-Growth（Frequent Pattern Growth，频繁模式增长）算法是一种高效的数据挖掘算法，主要用于解决频繁项集挖掘和关联规则发现的问题。与传统的Apriori算法相比，FP-Growth算法通过构建一种称为FP-Tree（频繁模式树）的数据结构，极大地减少了搜索空间，提高了挖掘效率。FP-Growth算法不仅适用于处理大规模数据集，还能有效应对数据稀疏性问题，因此在电子商务、社交网络分析、金融风控等多个领域有着广泛的应用。FP-Growth算法Apriori算法提出时间。

data_disciple的博客 3360

BART non-Cartesian 重建：并行成像 压缩感知

本文主要使用并行成像和压缩感知方法实现non-Cartesian MRI 数据的重建。

张哥频道：电生理信号和磁共振成像 1181

RK3568/RK3588 + YT 9215交换机芯片，MAC TO MAC 调试记录

原来的方案是rk3568 gmac 直接接phy，phy 接 switch 芯片，只是把交换芯片当交换用，驱动方面基本不用开发，但是要做vlan 那么必须涉及交换芯片的开发。选择裕太微有两个方面的原因：1.国产化替代2.可获得原厂技术支持3.目前已经完成 两个gmac 口交换芯片的配置，实现vlan，内部交换，两个光口可正常通信。

Nyiragongo的博客 1万+

频繁项集挖掘算法——FP-growth算法

        上一篇我们介绍了Apriori算法，但是我们可以分析得出，Apriori算法可能收到两种非平凡开销的影响：它可能需要产生大量候选项集；它可能需要重复的扫描整个数据库，通过模式匹配检查一个很大的候选集合。检查数据库中每个事务来确定候选项集支持度的开销很大。        是否可以设计一种方法，挖掘全部频繁项集而无须这种代价昂贵的候选产生过程？一种试图这样做的方法称为频繁模式增长（Fr...

my_learning_road的博客 1万+

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

频繁模式增长（Frequent Pattern Growth，FP-Growth）算法

频繁模式增长（Frequent Pattern Growth，FP-Growth）算法，全称为Frequent Pattern Growth（频繁模式增长）算法，是一种用于数据挖掘中的频繁项集发现的有效方法。FP-Growth算法由Jian Pei，Jiawei Han和Runying Mao在2000年首次提出。它主要应用于事务数据分析、关联规则挖掘等数据挖掘领域。

weixin_43156294的博客 1942

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

关联规则挖掘（Apriori算法和FP-Growth算法）

Apriori算法的频繁项集的方式是：先产生低阶频繁项集（从1开始的）的，再由低阶频繁项集产生高阶候选项集，高阶候选项集经过支持度的度量筛选产生，最后生成同阶频繁项集。这是不断重复的“产生-测试”的过程。而FP-growth算法采用是完全不同的方式，算法的第一个核心是压缩数据集，采用的是FP_tree这样的一个数据结构来完全表示了所有的事务，第二个核心是采用了“分而治之”的思想，用递归的方式将挖掘频繁项集一步步分成各自的子问题来解决。对比于Apriori算法，FP-growth算法的特点是只需扫描两次数据库

qq_42370335的博客 7771

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

关联规则挖掘2：FP-growth算法（Frequent Pattern Growth，频繁模式增长）

FP-growth算法是一种高效的频繁项集挖掘方法，其核心思想是"分而治之"和"用空间换时间"。算法首先构建FP-tree（频繁模式树）来压缩存储数据，通过两次扫描数据库完成：第一次统计频繁1项集，第二次构建树结构。然后通过递归挖掘FP-tree来发现频繁项集，每次从一个后缀项开始，构建条件模式基和条件FP-tree，避免生成大量候选集。相比Apriori算法，FP-growth显著减少了I/O开销，只需扫描数据库两次，且不产生候选集，在密集数据集上表现优异。但在处理稀疏数据或支持度阈值很低时占用较多内存

坚持输出，记录成长。 1772

FP-Growth算法理解

第一次接触FP-Growth是在《数据挖掘概念与技术》，当时对它的理解只停留在概念层面。后来又在《机器学习实战》中接触到了它，结合着书中的讲解和代码，跑了点结果，理解加深了一点。最近，工作中需要使用到它，又重新捡起，开始精读和思考，发现收获很大。 FP-Growth（Frequent Pattern Growth， 频繁模式增长），它比Apriori算法效率更高，在整个算法执行过程中，只需要遍历

daizongxue的博客 1万+
上一篇： 嵌入式系统考试复习（武昌首义学院）
下一篇： ST-Link驱动安装包 STM32 keil
点赞 15
评论 0
书签 书签 86
JayLinnn
JayLinnn
博客等级 码龄6年 312粉丝 10原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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