FP Growth是一种比Apriori更高效的频繁项挖掘方法，它只需要扫描项目表2次。其中第1次扫描获得当个项目的频率，去掉不符合支持度要求的项，并对剩下的项排序。第2遍扫描是建立一颗FP-Tree(frequent-patten tree)。

接下来的工作就是在FP-Tree上进行挖掘，比如说有下表：

它所对应的FP_Tree如下：

然后从频率最小的单项P开始，找出P的条件模式基，用构造FP_Tree同样的方法来构造P的条件模式基的FP_Tree，在这棵树上找出包含P的频繁项集。

依次从m,b,a,c,f的条件模式基上挖掘频繁项集，有些项需要递归的去挖掘，比较麻烦，比如m节点。

—版权声明—

来源：图灵人工智能，编辑：nhyilin

仅用于学术分享，版权属于原作者。

若有侵权，请联系微信号:Eternalhui或nhyilin删除或修改！

—THE END—

☞14岁考入北大少年班，如今节衣缩食上课穿胶鞋，却慷慨资助贫困生

☞细数二十世纪最伟大的10大算法

☞10部关于数学的顶级纪录片

☞假如地球变成甜甜圈形状，世界会变成什么样子？

☞应用数学的强大威力

☞丘成桐：本科教育怪事多