Frequent Pattern mining

Frequent pattern mining的几种方式：

    1.基于模式完整性的(completeness of patterns)

    2.基于和规则集有关抽象层次的(levels of abstraction)

    3.基于和规则有关维数的(number of data dimensions)

    4.基于规则值类型的(types of value)

    5.基于规则种类的(kinds of rules)

    6.基于模式种类的(kinds of patterns)

基础算法：

Apriori算法：最基本的frequent itemsets挖掘算法（单抽象层，单数据维，boolean值类型）

    方法：迭代，用k-itemsets来找到（k+1)-itemsets。

    步骤：逐次找L1，L2，L3...Lk。

    为了减小搜索空间，优先原则(Apriori property)被引入：

       -全部频繁集的非空子集必然是频繁集，或者说，全部非频繁集的超集都不会是频繁集。

    如何应用Apriori property：包括两个操做：合并(join)和剪枝(prune)。以L(k-1)寻找Lk为例子

        1.合并，为了寻找到Lk，须要对L(k-1)进行自链接，以找出k-itemsets的候选者(candidate)，用Ck表示。对L(k-1)中的任意一个元素（某一个频繁项目集）li，一般li中的每一个项目li[x]是已经词法排序好的。进行L(k-1)joinL(k-1)，其中任意两个li和lj能够进行链接的条件是：li[1]=lj[1],li[2]=lj[2],li[3]=lj[3]...,li[k-2]=lj[k-2],li[k-1]<lj[k-1](第k-1项不相等，否者出现多余)。合并的结果是li[1],li[2],...li[k-2],li[k-1],lj[k-1]。

        2.剪枝：候选者集合Ck是Lk的超集，Lk的全部元素必然来自Ck。因此遍历Ck能够找到Lk的全体元素。可是这样计算量巨大，因此利用Apriori property来减小Ck的规模。即全部非频繁的(k-1)-itemset的超集k-itemset都不会属于频繁项目集集合Lk。因此能够对Ck的每一个k-itemset元素进行判断，只要Ck中某个k-itemset的任一子集(k-1)-itemset不属于L(k-1),就说明这个候选项不可能成为频繁项目集Lk的一员，要被抛弃。

由频繁项目集l中产生规则rules：

    （

        association rule A=>B 必须知足的条件:

        1.A∩B=∅

        2.support(A⇒B) = P(A ∪ B) >min_sup

        3. confidence(A⇒B) = P(B|A) =  support_count(A ∪ B)/ support_count(A)>min_conf

        ）

    对某一个频繁项目集l，它能够产生多条关联规则，产生的方式是求出l的每个非空子集s，s=>(l-s)的条件是support_count(l)/support_count(s)>min_conf。由于l是来自频繁项目集集合L的，因此它必然知足 P(l) >min_sup。

评价：

    Apriori虽然candidate 产生而且检测(链接并剪枝)的方式大大减小了候选者集合C的规模，可是它仍然有两个弊病：(1)会产生大量的候选者集(2)须要不断的扫描数据库check候选者集合C来求得频繁项目集。

是否有不产生candidate集合的方法挖掘完整的频繁项目集集合呢？

    Frequent-pattern growth(FP-growth)就是这样一种算法。

    FP-growth基本思想是分支(divide and conquer)，首先，将表明频繁项目(frequent items)的数据库压缩到一颗FP-tree中，这棵FP-tree仍然保留了完整的项目集关联信息。而后，它将这种被压缩的数据库(FP-tree)分割成一组条件数据库(一种特殊的投射数据库),每个条件数据库都和一个频繁项目或者模式碎片关联(pattern fragment),而后分别挖掘之。