由於apriori演算法在挖掘頻繁模式時，需要多次掃瞄資料庫，並且會產生大量的候選項集。所以apriori演算法的時間複雜度和空間複雜度相對都很高，演算法執行效率不高。而fp-growth演算法在進行頻繁模式挖掘時，只需要對資料庫進行兩次掃瞄，並且不會產生候選項集。它的效率相比於apriori演算法有很大的提高。
fp-growth演算法的主要思想是：將代表頻繁項集的資料庫壓縮儲存在頻繁模式樹中，每條事務資料中的項之間的關係被保留在頻發模式樹中。然後，將頻繁模式樹按照條件模式基拆分成一組條件fp樹，並分別挖掘這些條件fp樹。
第一次掃瞄資料庫，尋找頻繁1-項集，並按照由大到小的順序排序。
建立fp模式樹的根結點，記為「null」。
根據頻繁1-項集的順序對資料庫中的每條事務資料進行排序，並儲存在fp模式樹中，並建立項頭表。
為每乙個頻繁1-項集尋找字首路徑，組成條件模式基，並建立條件fp樹。
遞迴挖掘條件fp樹，獲得頻繁項集。
以表1中的資料解釋說明fp-growth演算法，最小支援度為2。
首先，掃瞄表1中的資料，根據最小支援度，獲得頻繁1-項集。按照支援度計數大小進行排序得到項集l=,,,,}。
然後，建立fp樹的根結點，記為「null」。第二次掃瞄資料庫，根據項集l對每條事務資料進行排序。例如事務t001經排序後得到,,}，並將每一項作為結點鏈結到fp樹中，其中i2作為第乙個結點鏈結到根結點，其他的結點按照順序依次相互鏈結。接下來將排序好的t002事務資料,}鏈結到fp樹中，為,}建立分支，同樣i2作為第乙個結點鏈結到根結點，i4與i2鏈結。但是，由於這個分支與fp樹共享字首i2，所以，將結點i2合併，並且計數加1，為i4建立新結點鏈結到結點i2。一般的，當為乙個事務資料建立分支時，檢視是否含有相同的字首路徑，若含有相同的字首路徑，則字首路徑合併，並且相應的結點計數加1，為字首之後的項建立新結點並鏈結到共享字首路徑上。
建立項頭表可以在今後快速地遍歷fp樹，，使每項通過乙個結點鏈指向它在樹中的位置。根據該鏈可以找到fp樹中所有相同的結點。
根據表1資料建立的fp樹和項頭表如圖1所示：
接下來為每乙個頻繁1-項集尋找所有字首路徑，組成條件模式基，然後建立條件fp樹。例如i5在fp樹中的字首路徑有,}和,,}，組成i5的條件模式基。使用這些條件模式基建立i5的條件fp樹，由於i3的支援度計數為1，小於最小支援度，所以i5的條件fp樹只包含單個路徑,}，如圖2所示，該路徑產生的頻繁項集的所有組合為：,}、,}、,,}
演算法：fp-growth。使用fp樹，通過模式增長挖掘頻繁模式。
輸入：d：事務資料庫。
min_sup：最小支援度閾值。
輸出：頻繁模式全集。
方法：1、按以下步驟構造fp樹：
（a）掃瞄事物資料庫一次。收集頻繁項的集合f和它們的支援度計數。對f按照支援度計數排序，結果為頻繁項列表l。
(b)建立fp樹的根結點「null」，對於d中每一件transaction，執行：
選擇transaction中的頻繁項，並按照l中的次序排序。排序後的列表為[p|p]。其中p是第乙個元素，p是剩餘元素。呼叫inster_tree（[p|p]，t）。該過程的執行過程如下。如果t有子女n使得n.item-name = p.item-name，則n的計數增加1；否則，建立乙個新的結點n，將其計數記為1，鏈結到它的父結點t，並且通過結點鏈結構將其鏈結到具有相同item-name的結點。如果p非空，則遞迴地呼叫inster_tree（p，n）。
2、fp樹的挖掘通過呼叫fp-growth（fp_tree,null）實現。該過程實現如下。
procedure fp_growth（tree, α）
if tree 包含單個路徑p then
for 路徑p中結點的每個組合（記作β）
產生模式β∪α，其支援度計數support_count等於β中結點的最小支援度計數；
else for tree的頭表中的每個α_i {
5.產生乙個模式β= α_i∪α，其支援度計數support_count = α_i.support_count；
6.構造β的條件模式基，然後構造β的條件fp樹tree_β；
7.if tree_β != ∅ then
8.呼叫fp_growth(tree_β，β)；
C 實現apriori演算法
include stdafx.h include include include define t 2 最小支援度 define m 9 樣本數 define n 5 資料項數 using namespace std 候選頻繁項集 維數，頻度，具體資料，獲取頻度 class freq item vo...
Apriori演算法Matlab實現
clc clear 最小支援度設定 min sup 2 最小置信度 min conf 0.7 讀取檔案，當前的檔案型別是txt檔案，事務資料用數字來表示的，測試資料可以用 資料探勘概念與技術 第三版中的資料為樣本 fid fopen d matlabfile apriori dataapriori....
Apriori演算法C 實現
最近剛上了資料探勘這門課，老師講了兩個演算法，即apriori演算法和fp growth演算法，然後布置了上機作業，挖掘乙個有8萬行的記錄的retail.dat，需要從中找出強規則，即同時滿足最小支援度和最小置信度的規則。在這裡給出乙個實現找出所有頻繁模式集的c 其中主要使用的儲存結構是二維陣列，有...