apriori存在以下不足，每次計算項集都會產生大量的候選項集，使計算資源和儲存空間產生浪費。而樹模型是一種很好的儲存資料的方式，故fpgrowth演算法由此而生。fpgrowth演算法是優化版的apriori演算法。
某家水果店的訂單清單如下：
購物單號
購買的水果
1蘋果、香蕉、梨
2蘋果、香蕉、梨、芒果
3香蕉、梨、芒果、水蜜桃
4蘋果、芒果
5蘋果、芒果、水蜜桃、橘子
fpgrowth演算法原理：
step1：
掃瞄一遍資料集，計算k=1的項集支援度，按從大到小進行排序，提出不滿足最小支援度的項集。（假設min_support = 0.5）
得到如下水果n
蘋果4芒果4
香蕉3梨3
step2：
將原始表每條交易記錄也按從大到小產生的順序排序。
得到如下
購物單號
購買的水果
1蘋果、香蕉、梨
2蘋果、芒果、香蕉、梨
3香蕉、芒果、梨
4蘋果、芒果
5蘋果、芒果
step3：
將交易記錄結果記錄到fp樹上。
step4：從下往上，從梨到蘋果，進行查詢，（假設min_support = 0.5）。
如下：梨的頻繁項集：
香蕉的頻繁項集：
芒果的頻繁項集：、
蘋果的頻繁項集：
總借頻繁項集為：、、、、
關聯規則挖掘演算法 FP Growth
它仍可能產生大量的候選集。例如，如果10的4次方個頻繁1項集，則apriori演算法需要產生多達10的7次方個候選2項集。它可能需要重複地掃瞄資料庫，通過模式匹配檢查乙個很大的候選集合。檢查資料庫中每個事務來確定候選集支援度的開銷很大。fp growth可以消除上述apriori演算法的兩中開銷。f...
關聯分析演算法
關聯分析演算法 關聯分析演算法的應用非常廣泛，它可以在大規模資料集中找出一組有關聯的資料。例如 商品分析中，我們可以分析出哪些商品之間有購買的關聯，也就是買了其中乙個商品之後，顧客就很有可能買另外乙個商品。頻繁項集是指那些經常出現在一起的物品集合，那麼如何評價這裡的頻繁程度呢？我們用支援度和可信度 ...
Apriori演算法和FP growth演算法比較
關聯分析可以用於回答 哪些商品經常被同時購買？之類的問題 關聯分析是在大規模資料集中尋找有趣關係的任務，這些關係可以有兩種形式 頻繁項集 是經常出現在一塊兒的物品的集合 關聯規則 按時兩種物品之間可能存在很強的關係。支援度是針對項集來說的，因此可以定義乙個最小支援度，而只保留滿足最小值尺度的項集。可...