购物篮FPGrowth关联规则以及粒子群优化规则选取附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

购物篮分析的 FPGrowth 关联规则挖掘 + 粒子群优化（PSO）规则选取 完整方案，核心是通过 FPGrowth 高效挖掘商品间关联规则，再用 PSO 算法从海量规则中筛选出 “高支持度、高置信度、低冗余、强业务价值” 的最优规则集，解决传统关联规则挖掘中规则冗余、实用性低的问题。

（1）FPGrowth 关联规则挖掘

FPGrowth 是高效的频繁项集挖掘算法，核心优势是无需生成候选集，通过构建 FP 树（频繁模式树）压缩事务数据，适用于大规模购物篮数据：

1. 频繁项集挖掘

   ：

   • 扫描事务库，统计单个商品的支持度，筛选出满足min_support的 1 - 项频繁集；

   • 按支持度降序排序，构建 FP 树（根节点 + 项头表 + 事务路径）；

   • 递归挖掘 FP 树的条件模式基，生成高阶频繁项集（2 - 项集、3 - 项集等）。

2. 关联规则生成

   ：从频繁项集中衍生出 “前件→后件” 的规则（如{牛奶}→{面包}），计算 3 个核心指标：

   • 支持度（Support）：事务库中同时包含前件和后件的比例（衡量规则普遍性）；

   • 置信度（Confidence）：包含前件的事务中同时包含后件的比例（衡量规则可靠性）；

   • 提升度（Lift）：置信度与后件单独支持度的比值（衡量规则关联性，Lift>1 表示正相关）。

（2）粒子群优化（PSO）规则选取

FPGrowth 挖掘的规则可能多达数千条，存在冗余（如{牛奶,鸡蛋}→{面包}与{牛奶}→{面包}高度相关）、部分规则业务价值低（如支持度极低的小众规则）的问题。PSO 用于从规则集中筛选最优子集，核心设计：

1. 粒子编码

   ：采用二进制编码，每个粒子对应一个规则集的选择状态。例如，若共有N条规则，粒子[1,0,1,...,0]表示选中第 1、3 条规则，未选中其他规则；

⛳️ 运行结果

规则 #983: [8 3 6 1] --> 11

支持度 = 0.0021277

置信度 = 1

提升度 = 5.1366

规则 #984: [8 2 6 1] --> [3 11]

支持度 = 0.0021277

置信度 = 0.66667

提升度 = 13.3333

规则 #985: [8 3 6 1] --> [2 11]

支持度 = 0.0021277

置信度 = 1

提升度 = 18.0769

规则 #986: [8 2 3 6 1] --> 11

支持度 = 0.0021277

置信度 = 1

提升度 = 5.1366

规则 #987: [8 2 6 11 1] --> 3

支持度 = 0.0021277

置信度 = 0.66667

提升度 = 2.1388

规则 #988: [8 3 6 11 1] --> 2

支持度 = 0.0021277

置信度 = 1

提升度 = 3.1126

规则 #989: [2 3 6 11 1] --> 8

支持度 = 0.0021277

置信度 = 1

提升度 = 3.1023

最佳规则=112

最佳适应度=0.90117

显示被选择规则：

规则 #112: [8 3 7 11] --> 2

支持度 = 0.011702

置信度 = 1

提升度 = 3.1126

📣 部分代码

🔗 参考文献

[1]梁树杰.基于FPgrowth算法的高维混合属性数据挖掘方法[J].计算技术与自动化, 2024, 43(2):88-92.

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码