Apriori和FPgrowth算法学习

这两天看了这两个算法，主要来源是机器学习实战。

1.Apriori算法

首先是两个定义

项集的支持度，定义为数据集中包含该项集的记录所占的比例。比如对于一个单独的item，那么item的支持度为item出现的数据集比上总的数据集，这里注意如果一个数 据条目中重复出现一个item多次，那么提取数据时只计算为1次，也就是我们并不关心某人买了两件商品0以及两件商品2的情况，只关心购买了商品0和商品2。

可信度（置信度），指规则的支持度，如{面包->牛奶}这条规则，为{面包，牛奶}的支持度比上{面包}的支持度

算法的主要原理：

如果一个项集是频繁的，那么他的子项集一定是频繁的，不如{0,1}这个项集出现100次，那么0和1也一定至少出现过100次。也就是说在算法运行过程中，如果我们知道

一个子项集的支持度小于阈值，那么就不用为这个子项集生成更大的项集了。如一旦计算出项集{2，3}的支持度小于阈值，那么就不用再计算{1,2,3}这样的项集了。

具体代码可参见教材。

代码中一个优化的地方是，利用两个k大小的子项集生成k+1项集时，只比较子项集的前k-1项，若这k-1项相同，那么就可以合并为一个k+1项集。比如，利用{1,3} ，{2，3}{3,5}，{2,5}这几个项集生成3大小的项集时，可以只比较第一个，那么可以生成的项集为{2,3,5}。 原因是若一个k+1项集是频繁的，比如是{a1,a2,...a(k+1)}那么他必有两个子项集为{a1,a2,...a(k-1),ak}和{a1,a2,...a(k-1),a(k+1)}

2.FPgrowth算法

基本原理和Apriori相同，只不过在训练过程中采用了FP树，速度上会优于Apriori算法，在运用这个算法的过程中，我涉及到的数据集中有7851个item（大于阈值的估计有5000左右），最后生成的FreqList有300w条，算法运行时间在半小时左右，感觉速度上还可以满足要求。虽然最后发现的pattern不是很满意，进一步优化中。