无需登录 数据私有 本地保存

FP-Growth 频繁模式挖掘演示 - 关联规则学习

10
0
0
0

FP-Growth 频繁模式挖掘

关联规则学习 · 购物篮分析 · 频繁项集挖掘演示

1 2 3 4 5
参数设置
支持度 = 项集出现次数 / 总事务数
置信度 = Support(X∪Y) / Support(X)
FP树可视化 等待挖掘...
#频繁项集支持度计数支持度大小
请设置参数后点击"执行挖掘"
#前件 → 后件支持度置信度提升度相关性
请设置参数后点击"执行挖掘"
频繁项支持度条件模式基条件FP树频繁项挖掘出的模式
请设置参数后点击"执行挖掘"
常见问题与知识点
什么是FP-Growth算法？

FP-Growth（频繁模式增长）是一种无需候选生成的频繁项集挖掘算法。它通过构建FP树（频繁模式树）来压缩数据库，然后递归地从FP树中挖掘频繁模式，避免了Apriori算法中大量的候选生成和数据库扫描。

FP树是如何构建的？

首先扫描数据库统计各项支持度，筛选频繁项并按支持度降序排列。然后对每条事务，只保留频繁项并按此顺序排列，逐条插入FP树——共享前缀则计数累加，新路径则创建新节点。同时维护项头表链表。

什么是条件模式基？

条件模式基是针对某个频繁项的所有前缀路径集合。例如，对于项"啤酒"，找到FP树中所有"啤酒"节点，收集其到根节点的路径（不含"啤酒"自身），路径计数等于该"啤酒"节点的计数。这些前缀路径构成"啤酒"的条件模式基。

支持度、置信度、提升度是什么？

支持度：项集在总事务中出现的比例。置信度：在X出现的条件下Y也出现的概率。Conf(X→Y) = Support(X∪Y)/Support(X)。提升度：衡量X和Y的关联强度。Lift>1正相关，Lift=1独立，Lift<1负相关。

FP-Growth与Apriori哪个更好？

FP-Growth通常比Apriori快1-2个数量级。Apriori需要反复扫描数据库来生成候选集，而FP-Growth只需2次数据库扫描（统计频繁项+构建FP树），之后完全在内存中的FP树上递归挖掘。对于大型数据集，FP-Growth优势更明显。

实际应用场景有哪些？

购物篮分析（发现商品搭配）、推荐系统（"买了X的人也买了Y"）、医疗诊断（症状与疾病的关联）、网络安全（入侵检测模式）、文本挖掘（词语共现模式）、生物信息学（基因表达模式分析）等。

🔧 相关工具