机器学习实战：FP-growth算法示例

Hello，大家好！我是MPIG2018级研究生陈守钊。在FP-growth算法讲解中，我相信前面我们的两个同学已经给大家带来了详细的讲解与说明，今天我给大家讲解的就是对FP-growth算法的具体应用框架与应用拓展。

我们知道，FP-growth算法能快速的找到频繁项集，FP-growth算法只需要对数据库进行两次扫描，而Apriori算法在求每个潜在的频繁项集时都需要扫描一次数据集，所以说Apriori算法是高效的。而如今对于大数据的处理，上百万条的信息都是一个很小的数量级，这时候算法效率就会对数据处理产生很大的影响。

今天我讲解的例子是具有百万数量级的一个数据集，利用FP-growth算法对频繁项集的查找过程。

从新闻网站点击流中挖掘

源数据集合中，它包含近100万条记录。该数据集合中的每一行包含某个用户浏览过的新闻报道。一些用户只看过一片报道，而有一些用户看过2498篇报道。用户和报道被编码成整数，所以查看频繁项集很难得到更多的东西，但是该数据对于展示FP-growth算法的速度十分有效。

首先，将数据集导入到列表

对初始集合格式化

构建FP树，并从中寻找至少被10万人浏览过的新闻报道

这是根据条件的得到的FP树

频繁项集的可视化

最后得到的所有频繁项集

对于处理好的数据集来说，FP-growth算法的处理流程并不是很复杂，对于很多算法来说，数据的输入与输出利用函数的调用就可以解决了，而对于算法的处理结果我们如何去运用到实际生活中，需要我们进行更深层次的挖掘。

生活中我们对于FP-growth算法的运用可以运用到很多的方面，下面是对于FP-growth算法的一些应用领域进行举例，具体的代码不进行分析。

FP-growth算法的其他运用场景

想要更加详细了解本讲更多细节的内容吗？那就一起来观看下面的Presentation的具体讲解吧：