注意：
部分输出请在高级设置中查看。
关联规则挖掘
原理
算法说明
FPGrowth 是关联规则的一种实现方式，该算法将大规模的频繁集构建成 FPTree ，提高了提取频繁集的效率。 Jarvis 提供的 FPGrowth 是 Li et al., PFP: Parallel FP-growth for query recommendation 论文的并行实现，支持大规模的频繁集挖掘和关联规则的生成。预测方法
首先根据频繁项集生成关联规则。然后对于 itemsCol 中的每个事务，变换方法将其项与每个关联规则的前因进行比较。 如果记录包含特定关联规则的所有前提，则该规则将被视为适用，并且其结果将被添加到预测项中。 预测方法将所有适用规则的结果总结为预测项。
参数配置
算法 IO 参数
*输出数据包含 header 信息：默认为“是”。*输出数据分隔符：数据分隔符，默认为逗号，可下拉选择其他分隔符。算法参数
*最小置信度：范围：0 - 1.0 ，规则的置信度阈值，算法会过滤掉小于该阈值的规则。*最小支持度：范围：0 - 1.0 ，频繁集的支持度阈值，item 出现的次数除以整个数据集的样本数。小于该阈值的频繁集将会被过滤。Demo
输入数据示例
示例数据不包含列名，每一行为一条数据记录，包含了多个不同的商品。
brand milkbrand nappy bear eggmilk nappy bear cocobrand milk nappy bearbrand milk nappy coco
参数配置
算法 IO 参数
*输出数据包含 header 信息：是*输出数据分隔符：逗号算法参数
*最大置信度：0.5*最小支持度：0.3输出数据示例
输出为算法发现的符合参数设定的关联规则列表，其中第一列为规则的条件，第二列为结果，第三列为置信度。
antecedent,consequent,confidencemilk,brand,0.75milk,coco,0.5milk,nappy,0.75milk,bear,0.5"bear,nappy",brand,0.6666666666666666"bear,nappy",milk,0.6666666666666666"bear,brand",nappy,1.0"brand,milk",nappy,0.6666666666666666bear,brand,0.6666666666666666bear,milk,0.6666666666666666bear,nappy,1.0"milk,nappy",brand,0.6666666666666666"milk,nappy",coco,0.6666666666666666"milk,nappy",bear,0.6666666666666666"brand,nappy",milk,0.6666666666666666"brand,nappy",bear,0.6666666666666666"coco,milk",nappy,1.0nappy,brand,0.75nappy,coco,0.5nappy,milk,0.75nappy,bear,0.75"bear,milk",nappy,1.0coco,milk,1.0coco,nappy,1.0brand,milk,0.75brand,nappy,0.75brand,bear,0.5"coco,nappy",milk,1.0
预测过程
预测的输入数据为已知的 item 集合，输出为根据规则预测得到的关联项，如下所示：
items,prediction"brand,milk","coco,nappy,bear""brand,nappy,bear,egg","milk,coco""milk,nappy,bear,coco",brand"brand,milk,nappy,bear",coco"brand,milk,nappy,coco",bear