9.2 基于FP-Growth算法的关联性分析
FP-Growth算法同Apriori算法一样，是一种有效的关联分析算法。
相对于Apriori算法的优势：它只需要对交易数据表进行两次扫描，通过构建FP-树对原始数据进行压缩，从而提升数据分析性能。
9.2.1 构建FP树
FP树也称作频繁模式树，FP树可以理解为一种扩展的前缀树，因为它不仅包含一颗前缀树，还包括一个频繁项头表，它有效地加快了关联数据的分析。
构建FP树需要的步骤：
1、扫描数据集表，分析数据中的频繁项及每个频繁项支持度，并根据每个频繁项的支持度进行降序排列。
2、创建FP树的根节点，根节点设置为“null”，对于数据表的每条记录选择其中的频繁项，并按照支持度的大小进行降序排列。
3、对数据表每条记录的频繁项集构建频繁项头表及前缀树。
9.2.2 频繁项分析
分析步骤：
1、从Header Table中进行分析，构造属于每个Item的条件模式基。针对每个Item的条件模式基，依照Header Table中的Item从下至上的顺序，获得Item的链表，并获得以该Item的前缀路径，即该item所在路径的前序路径。这些前缀即为该Item的条件模式基。
2、将获得的所有Item的条件模式基的频率进行统计，该频率即为该Item的频繁度。
网友评论