机器学习实战 - 读书笔记(12) - 使用FP-growth算法来高效发现频繁项集

[comment]: # 机器学习实战 - 读书笔记(12) - 使用FP-growth算法来高效发现频繁项集

前言

最近在看Peter Harrington写的“机器学习实战”,这是我的学习心得,这次是第12章 - 使用FP-growth算法来高效发现频繁项集。

基本概念

  • FP-growth算法
    FP-growth算法的性能很好,只需要扫描两次数据集,就能生成频繁项集。但不能用于发现关联规则。
    我想应该可以使用Apriori算法发现关联规则。
    FP代表频繁模式(Frequent Pattern)。

  • 条件模式基(conditional pattern base)。
    条件模式基是以所查找元素项为结尾的路径集合。每一条路径其实都是一条前缀路径(prefix path)。
    一条前缀路径是介于所查找元素项与树根节点之间的所有内容。

FP-growth算法 - 用途

  • 快速生成频繁项集
  • 在一批有共性的文章中找到经常出现的匹配词汇(共现词),并进一步发现关联规则。可以用于输入自动补全功能。
  • 发现数据中的共性。比如,可以找到,哪类用户喜欢哪些文章。

核心算法解释

FP-growth算法:生成频繁项集

FP-growth算法 - Step 1:生成FP树

  • 输入

    • 数据集[数据,出现次数]
      注:出现次数默认为1。在第二步的时候,会再次用到这个方法,这是出现次数就用其用途了。
    • 最小支持度
  • 输出

    • FP树:FPTree

    FPTree的根节点为项名为null的节点。

    • 头指针表: headerTable
  • Tree Node 的数据结构

    • name : 项名
    • count : 其路径在数据集中出现的频率
    • nodeLink : 指向在FP树下一个同项名的项。
    • parent : 父节点
    • children : 子节点
  • Header Table Item 的数据结构

    • name : 项名
    • count : 在数据集中出现的频率
    • nodeLink : 指向在FP树第一个同项名的项。
  • 逻辑过程

    • 输入
      • sample 数据集
事务ID 事务中的项集
1 'a', 's', 'w', 'x'
2 'a', 'd', 's'
3 'a', 'w'
4 'a', 'x'
5 'a', 'd', 'w'
6 'a', 'e', 's'
      • 最小支持度为3
    • Step 1: 生成Header Table。
遍历数据集,获得每个元素项的出现频率
去掉不满足最小支持度的元素项。

结果如下:

元素项 出现频率
a 6
s 3
w 3
注: 项d,e,x被去掉了,由于它们的出现频率小于最小支持率3。
    • Step 2: 生成FP Tree。
遍历数据集,
    对当前项集,去掉不在Header Table中的项。
    对当前项集,按照在Header Table中出现频率从大到小排序。
    加入到FP Tree(), 并且对每项,更新Header Table Item或者Tree Node的NodeLink属性。

去掉不在Header Table中的项的结果:

事务ID 事务中的项集 过滤并排序后的项集
1 'a', 's', 'w', 'x' 'a', 's', 'w'
2 'a', 'd', 's' 'a', 's'
3 'a', 'w' 'a', 'w'
4 'a', 'x' 'a'
5 'a', 'd', 'w' 'a', 'w'
6 'a', 'e', 's' 'a'

把处理过的项集加入 FP Tree 的过程:

按照路径找,如果有count++,如果没有增加一个节点,count=1
对新增加的节点,连接到上一个同项集或者header Table的项集的NodeLinker上。

示意图如下:

FP树的构建过程 Ø Ø Add {a,s,w} a:1 s:1 w:1 a:6 s:3 w:3 Ø a:2 s:2 w:1 Add {a,s} Ø a:3 s:2 w:1 Add {a,w} w:1 Header Table

最终的结果如下:(输出的FP树和头指针表)

FP树和Header Table的最终结果 Ø a:6 s:3 w:1 w:2 Header Table a:6 s:3 w:3

FP-growth算法 - Step 2:生成频繁项集

  • 输入
    • FP树:PF Tree
    • 头指针表: header Table
    • 最小支持度
    • 前缀项集: 初始值为Empty List (输出)
    • 频繁项集List: 初始值为Empty List (输出)
  • 输出
  • 逻辑过程
对Header Table的项,按照count从小到大排序
对Header Table的每一元素项:
    把当前元素项加入到频繁项集List中。(Header Table中的每个项都是满足最小支持度的)
    前缀项集 = 前缀项集 + 当前元素项。
    找到已当前元素项的结尾的条件模式基(到根节点的所有路径以及路径的count)。
    将条件模式基看成一个数据集(每个数据有一个count数),用生成FP Tree的方法,生成新的FP Tree和Header Table。
    注:上一步过滤掉了不满足最小支持度的子项集。(比如:对于元素项w,过滤掉了{s,a})
    如果新的Header Table有数据:
        使用生成频繁项集的方法(也就是递归调用本方法)继续生成(有n+1个元素项的)频繁项集。
    • 每个元素项的条件模式基
元素项 条件模式基
a {}:6
s {a}:3
w {s,a}:1, {a}:2
    • 元素项w的FP树和Header Table
      注:元素项s和节点s实际上都不存在,因为不满足最小支持度。
元素项w的FP树和Header Table Ø a:3 s:1 Header Table a:3 s:1

参考

  • Machine Learning in Action by Peter Harrington
posted @ 2016-08-27 13:21  SNYang  阅读(1917)  评论(0编辑  收藏  举报