FP-growth算法详解与I2-I3事务加入

加入第六个事务(I2, I3)的关联规则挖掘算法探讨了在数据挖掘领域中寻找隐藏关联关系的一种方法。关联规则挖掘是数据挖掘技术中的一个重要分支，它旨在从大量数据中识别出项集之间的频繁模式，并进一步推断出这些模式之间的相关性，如支持度和置信度。 **关联规则的基本概念** - **支持度**（Support）：表示项集A和B同时出现的事务数占所有事务总数的比例，例如，"bread"和"milk"的支持度为7%。 - **置信度**（Confidence）：指在项集A出现的情况下，项集B也出现的概率，如"Bread=>Milk"的置信度为65%，意味着当购买面包时，顾客有65%的概率也会购买牛奶。 **强关联规则**：当一个关联规则同时满足预设的最小支持度和最小置信度阈值时，被认为是有趣或有用的规则，因为它们揭示了潜在的商业价值。 **FP-tree构造算法** - FP-tree是一种用于高效挖掘关联规则的数据结构，通过一次扫描事务数据库，收集频繁项及其支持度，然后构建树状结构。每个节点代表一个频繁项，其子节点表示包含该频繁项的事务集合。 **FP-growth算法** - FP-growth算法是FP-tree的一个具体实现，其流程包括： 1. 如果树中只有一个路径，遍历路径上的节点组合，生成相应的模式和其支持度。 2. 对于树的每个头部元素a，生成模式a与当前路径节点的组合，计算支持度。 3. 这个过程递归进行，直到处理完所有可能的模式组合。 该算法的核心思想是利用频繁项集的增长策略，通过构造FP-tree来减少计算复杂性，尤其是在大规模数据集上，相比于传统的Apriori算法，FP-growth具有显著的性能优势。通过执行FP-growth算法，可以挖掘出那些在实际场景中具有商业价值的关联规则，如在零售业中预测消费者的购物行为，或者在推荐系统中理解用户的兴趣偏好。