首页 > TAG信息列表 > headerTable
数据挖掘之关联规则-FP树
1.FP树的生成过程 1）扫描数据，得到所有频繁一项集的的计数。然后删除支持度低于阈值的项，将1项频繁集放入项头表，并按照支持度降序排列。 2）扫描数据，将读到的原始数据剔除非频繁1项集，并按照支持度降序排列。 3）读入排序后的数据集，插入FP树，插入时按照排序后的顺序，插入FP树中，排序靠机器学习（十一）：FP增长（FP-growth）
四、代码实现（python） 以下代码来自Peter Harrington《Machine Learing in Action》代码如下（保存为fpGrowth.py)： # -- coding: utf-8 --class treeNode: # FP树中节点的类定义，用于构建FP树 def __init__(self, nameValue, numOccur, parentNode): self.name = nameVa关联规则算法
apriori算法 参考链接： https://www.cnblogs.com/pinard/p/6293298.html https://www.cnblogs.com/lsqin/p/9342926.html https://blog.csdn.net/antkillerfarm/article/details/60880477 # Apriori算法#自底向上，是否可以改进为自顶向下，先拆分，再频数统计#首先根据支持度将各元素中机器学习实战8-FP-growth
1 FP树 1.1 FP介绍 将数据结构存储在一种称为FP树的紧凑数据结构中，如图： 一般流程： 输入数据，构建出一个如上图所示的数据结构（可以理解为按每条数据集合一步一步建立出来的树），即FP树 从FP树中挖掘频繁项集 从FP树中获得条件模式基（以某查找元素为结尾的路径集机器学习算法学习---关联分析算法（二）
FP-growth算法只需要对数据库进行两次扫描，故速度要比Apriori算法快。发现频繁项集的基本过程：（1）构建FP树；（2）从FP树中挖掘频繁项集。优点：一般要快于Apriori缺点：实现比较困难，在某些数据集上性能会下降适用数据：标称型1、FP树：用于编码数据集的有效方式FP代表频繁模式（Frequent Pattern）。FP调用存储过程取到数据通过NPOI存到Excel中
//调用 public ActionResult GenerateExcel() { DataTable headerTable = new DataTable(); headerTable.Columns.Add("Status_Id", Type.GetType("System.String")); headerTable.Columns.Add(