模式识别中的Apriori算法和FPGrowth算法
模式识别中的一些基本概念
- 模式:对于一个集合项，某些特定的子序列或者结构通常一起出现在数据集中
- absolute support :某一项出现的频率[数量]
- relative support: 某一项出现的频率
- frequent item:该项的support值大于最小support阈值
- association rules: X->Y(s,c) 在有X的前提下，有Y的概率是多少 s(support):support( x U y )[x和y都出现的数量];
- confidence:既包含x又包含y的概率，简记为c = sup(x U y) / sup(x)
- close pattern:子集x是频繁的。并且不存在一个x的父集y，是的y和x有一样的support值。它不会丢失频繁子集信息
- max pattern: 子集x是频繁的。并且不存在一个x的父频繁子集。会丢失频繁子集的support值
Apriori算法基本思想
如果一个集合是频繁的，那么在同一个最小sup值下，它的子集也是频繁的。算法的核心思想是：首先找到所有的1项代表集C1，根据sup过滤得到频繁集合F1，从F1中得到代表集C2，C2的自己如果有不在F1中的，就删掉【这个过程称为剪枝】，然后遍历数据集，当C2中的数据在原始数据集中是频繁的时候，得到频繁集F2，依次往复。
Aprior算法面临的问题
- 看起来没产生一个频繁集需要访问一遍数据库，改进的策略是：分区。
- 从k项的频繁集，到k+!项的代表集会包含很多元素，所以最好能减少代表集的数量，有效策略是 hash(等)。
分区策略
对于一个很大的数据库来说，分区之后，如果某一项是频繁的，意味着至少存在一个分区，它也是频繁的，所以，第一次扫描数据库，先把当前分区的数据全部收入内存，然后计算出当前分区的所有频繁集，然后把所有的频繁集统一收作全局代表。再过滤出全局频繁的，整个过程只有两次扫描数据库【有点小把戏，把数据缩小到内存中能放下，在内存中算】
- ECLAT(Equivalence Class Transformation):一般的数据库是根据项ID和项值来存储的，这里的主要思想是把唯一的项值提出来，对应列放在数据库中的项ID列表。
此时，当前项的频率就是ID列表的大小，如果要看两个项的频率就是求IDlist的交集。 这种存储具备如下的特征：如果idlist一模一样，代表这两项肯定是一起出现；如果x的ID列表是Y的ID列表的子集，那么拥有X项的记录必定拥有Y
hash较少代表集数量
对所有k集频繁项做hash计算，hash表中存储计算结果为同一个hash值的个数【可以在具体的分区做】，如果这个数值小于support值，那么当前hash桶中的所有项都不是频繁的，就不会当做代表集频繁模式挖掘-DHP算法详解 | I am Busy
大致思路是：同一个hash值的肯定会进同一个地方，如果一项出现多个，那么他们必定是进同一个hash桶，也就是说这个的hash桶的个数会很多，如果个数少，说明这个hash桶中的数据都不是频繁的
FPGrowth算法
FP-tree(frequent pattern tree)定义：
- 它包含了一个root,被标记成null,root有每一项作为前缀的子项，同时有一张表记录了频繁项的头；
- 项前缀的子树包含3个部分：该项的名字，数量和节点链接。
- 每个频繁项的头表有两个字段，项的名字以及节点链接的头
FP-tree挖掘的步骤：
经过FP定义构建好FP-tree之后，这时它的跟节点是root，可以称作全局树，然后根据header table给定的顺序，从末尾的项，选择一个元素P，以它为条件，构建FP-tree,称作P条件先的FP-tree,构建策略是从P开始往上寻找父节点，count值则是以P为基础，构建结果后，一直到最终只剩下一个元素，挖掘结束
