Merge pull request #170 from mikechengwei/master

更新: fd-growth 算法文档

docs/12.使用FP-growth算法来高效发现频繁项集.md

@@ -1,34 +1,100 @@
 
-# 12) 使用FP-growth算法来高效发现频繁项集
+# 第12章 使用FP-growth算法来高效发现频繁项集
 
-## 基本过程
+![](../images/12.Fd-growth/apachecn_fd_growth_homepage.png)
 
-- 构建FP树
- * 对原始数据集扫描两遍
-    * 第一遍对所有元素项遍历，并记下出现次数。
-    * 第二遍只扫描频繁元素。
-- 从FP树种挖掘频繁项集
+### 第11章 我们已经介绍了用Apriori算法发现频繁项集与关联规则，本章将继续关注发现频繁项集这一任务，并使用FP-growth算法更有效的挖掘频繁项集。
 
-## FP树介绍
-* FP-growth算法是将数据存储在一种称为FP树的紧凑的数据结构中，FP代表频繁模式（Frequent Pattem）每个项集以路径的方式存储在树中。
-* 包含：项集【集合中的单个元素+出现次数+父节点】
-* 与其他树结构相比
-    * 它通过链接(link)来连接相似元素，被连起来的元素项可以看成一个链表。
-    * 一个元素项可以出现多次
-    * 相似项之间的链接即`节点链接`(node link), 用于快速发现相似项的位置。
-* 这种算法虽然能更高效的发现频繁子项，但是却不能用于发现关联规则。
+## FP-growth 算法简介
 
-## FP-growth算法 特点
-* 优点： 一般要快于Apriori。(通常性能要好两个数量级以上)
-* 缺点： 实现比较困难，在某些数据集上性能会下降。
+* 一种非常好的发现频繁项集算法。
+* 基于Apriori算法构建,但是数据结构不同，使用叫做 FP树 的数据结构结构来存储集合。下面我们会介绍这种数据结构。
+
+## FP-growth 算法步骤
+- 基于数据构建FP树   
+- 从FP树种挖掘频繁项集 
+
+## FP树 介绍
+* FP树的节点结构如下:
+
+```python
+class treeNode:
+    def __init__(self, nameValue, numOccur, parentNode):
+        self.name = nameValue     # 节点名称
+        self.count = numOccur     # 节点出现次数
+        self.nodeLink = None      # 不同项集的相同项通过nodeLink连接在一起
+        # needs to be updated
+        self.parent = parentNode  # 节点的父节点
+        self.children = {}        # 存储儿子节点
+```   
+         
+## FP-growth 原理
+基于数据构建FP树
+
+步骤1:
+   1. 遍历所有的数据集合，计算所有项的支持度。
+   2. 丢弃非频繁的项。
+   3. 基于 支持度 降序排序所有的项。
+   ![](../images/12.Fd-growth/步骤1-3.png)
+   4. 所有数据集合按照得到的顺序重新整理。
+   5. 重新整理完成后，丢弃每个集合末尾非频繁的项。
+   ![](../images/12.Fd-growth/步骤4-5.png)
+
+步骤2:
+   6. 读取每个集合插入FP树中，同时用一个头部链表数据结构维护不同集合的相同项。  
+   ![](../images/12.Fd-growth/步骤6-1.png)
+   最终得到下面这样一棵FD树
+   ![](../images/12.Fd-growth/步骤6-2.png)
+
+
+从FP树中挖掘出频繁项集
+
+步骤3:
+   1. 对头部链表进行降序排序
+   2. 对头部链表节点从小到大遍历，得到条件模式基，同时获得一个频繁项集。
+        ![](../images/12.Fd-growth/步骤6-2.png)
+        如上图，从头部链表 t 节点开始遍历，t 节点加入到频繁项集。找到以 t 节点为结尾的路径如下:
+        ![](../images/12.Fd-growth/步骤7-1.png)
+        去掉FD树中的t节点，得到条件模式基<左边路径,左边是值>[z,x,y,s,t]:2，[z,x,y,r,t]:1 。条件模式基的值取决于末尾节点 t ，因为 t 的出现次数最小，一个频繁项集的支持度由支持度最小的项决定。所以 t 节点的条件模式基的值可以理解为对于以 t 节点为末尾的前缀路径出现次数。
+       
+   3. 条件模式基继续构造条件 FD树， 得到频繁项集，和之前的频繁项组合起来，这是一个递归遍历头部链表生成FD树的过程，递归截止条件是生成的FD树的头部链表为空。
+        根据步骤 2 得到的条件模式基 [z,x,y,s,t]:2，[z,x,y,r,t]:1 作为数据集继续构造出一棵FD树，计算支持度，去除非频繁项，集合按照支持度降序排序，重复上面构造FD树的步骤。最后得到下面 t-条件FD树 :
+        ![](../images/12.Fd-growth/步骤7-2.png)
+        然后根据 t-条件FD树 的头部链表进行遍历，从 y 开始。得到频繁项集 ty 。然后又得到 y 的条件模式基，构造出 ty的条件FD树，即 ty-条件FD树。继续遍历ty-条件FD树的头部链表，得到频繁项集 tyx，然后又得到频繁项集 tyxz. 然后得到构造tyxz-条件FD树的头部链表是空的，终止遍历。我们得到的频繁项集有 t->ty->tyz->tyzx，这只是一小部分。
+   * 条件模式基:头部链表中的某一点的前缀路径组合就是条件模式基，条件模式基的值取决于末尾节点的值。
+   * 条件FD树:以条件模式基为数据集构造的FD树叫做条件FD树。
+
+FP-growth 算法优缺点:
+
+```
+* 优点： 1. 因为 FP-growth 算法只需要对数据集遍历两次，所以速度更快。
+        2. FP树将集合按照支持度降序排序，不同路径如果有相同前缀路径共用存储空间，使得数据得到了压缩。
+        3. 不需要生成候选集。
+        4. 比Apriori更快。
+* 缺点： 1. FP-Tree第二次遍历会存储很多中间过程的值，会占用很多内存。
+        2. 构建FP-Tree是比较昂贵的。
 * 适用数据类型：标称型数据(离散型数据)。
+```
+
+
+## FP-growth 代码讲解
+完整代码地址: <https://github.com/apachecn/MachineLearning/blob/master/src/python/12.FrequentPattemTree/fpGrowth.py>
+
+main 方法大致步骤:
+```python
+if __name__ == "__main__":
+    simpDat = loadSimpDat()                       #加载数据集。
+    initSet = createInitSet(simpDat)              #对数据集进行整理，相同集合进行合并。
+    myFPtree, myHeaderTab = createTree(initSet, 3)#创建FP树。
+    freqItemList = []
+    mineTree(myFPtree, myHeaderTab, 3, set([]), freqItemList) #递归的从FP树中挖掘出频繁项集。
+    print freqItemList
+ ```   
+大家看懂原理，再仔细跟踪一下代码。基本就没有问题了。
 
-## 项目实战
-* 1.从Twitter文本流中挖掘常用词。
-* 2.从网民页面浏览行为中挖掘常见模式。
 
 * * *
 
-* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian)**
+* **作者：[mikechengwei](https://github.com/mikechengwei)**
 * [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
 * **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apachecn.org/)**