爱玩科技网
您的当前位置:首页2015.8.25FPGrowth算法及源码介绍

2015.8.25FPGrowth算法及源码介绍

来源:爱玩科技网
word格式-可编辑-感谢下载支持

1.1 FPGrowth算法 1.1.1 基本概念

关联规则挖掘的一个典型例子是购物篮分析。关联规则研究有助于发现交易数据库中不同商品(项)之间的联系,找出顾客购买行为模式,如购买了某一商品对购买其他商品的影响,分析结果可以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。 关联规则的相关术语如下: (1)项与项集

这是一个集合的概念,在一篮子商品中的一件消费品即为一项(Item),则若干项的集合为项集,如{啤酒,尿布}构成一个二元项集。 (2)关联规则

一般记为的形式,X为先决条件,Y为相应的关联结果,用于表示数据内隐含的关联性。如:表示购买了尿布的消费者往往也会购买啤酒。关联性强度如何,由三个概念——支持度、置信度、提升度来控制和评价。

例:有10000个消费者购买了商品,其中购买尿布1000个,购买啤酒2000个,购买面包500个,同时购买尿布和面包800个,同时购买尿布和面包100个。 (3)支持度(Support)

支持度是指在所有项集中{X, Y}出现的可能性,即项集中同时含有X和Y的概率。该指标作为建立强关联规则的第一个门槛,衡量了所考察关联规则在“量”上的多少。通过设定最小阈值(minsup),剔除“出镜率”较低的无意义规则,保留出现较为频繁的项集所隐含的规则。设定最小阈值为5%,由于{尿布,啤酒}的支持度为800/10000=8%,满足基本输了要求,成为频繁项集,保留规则;而{尿布,面包}的支持度为100/10000=1%,被剔除。 (4)置信度(Confidence)

置信度表示在先决条件X发生的条件下,关联结果Y发生的概率。这是生成强关联规则的第二个门槛,衡量了所考察的关联规则在“质”上的可靠性。相似的,我们需要对置信度设定最小阈值(mincon)来实现进一步筛选。具体的,当设定置信度的最小阈值为70%时,置信度为800/1000=80%,而的置信度为800/2000=40%,被剔除。 (5)提升度(lift)

提升度表示在含有X的条件下同时含有Y的可能性与没有X这个条件下项集中含有Y的可能性之比:公式为confidence(artichok => cracker)/support(cracker) = 80%/50% = 1.6。该指标与置信度同样衡量规则的可靠性,可以看作是置信度的一种互补指标。 1.1.2 FP-Growth算法

FP-Growth(频繁模式增长)算法是韩家炜老师在2000年提出的关联分析算法,它采取如下分治策略:将提供频繁项集的数据库压缩到一棵频繁模式树(FP-Tree),但仍保留项集关联信息;该算法和Apriori算法最大的不同有两点:第一,不产生候选集;第二,只需要两次遍历数据库,大大提高了效率。 (1)按以下步骤构造FP-树

(a) 扫描事务数据库D一次。收集频繁项的集合F和它们的支持度。对F按支持度降序排序,结果为频繁项表L。

(b) 创建FP-树的根结点,以“null”标记它。对于D 中每个事务Trans,执行:选择 Trans 中的频繁项,并按L中的次序排序。设排序后的频繁项表为[p | P],其中,p 是第一个元素,而P 是剩余元素的表。调用insert_tree([p | P], T)。该过程执行情况如下。如果T有子女N使得N.item-name = p.item-name,则N 的

word格式-可编辑-感谢下载支持

计数增加1;否则创建一个新结点N将其计数设置为1,链接到它的父结点T,并且通过结点链结构将其链接到具有相同item-name的结点。如果P非空,递归地调用insert_tree(P, N)。 (2)FP-树的挖掘

通过调用FP_growth(FP_tree, null)实现。该过程实现如下: FP_growth(Tree, α)

(1) if Tree 含单个路径P then

(2) for 路径 P 中结点的每个组合(记作β)

(3) 产生模式β ∪ α,其支持度support = β中结点的最小支持度; (4) else for each ai在Tree的头部(按照支持度由低到高顺序进行扫描) { (5) 产生一个模式β = ai ∪ α,其支持度support = ai .support; (6) 构造β的条件模式基,然后构造β的条件FP-树Treeβ; (7) if Treeβ ≠ ∅ then

(8) 调用 FP_growth (Treeβ, β);} end

1.1.3 FP-Growth算法演示—构造FP-树 (1)事务数据库建立 原始事务数据库如下: Tid 1 2 3 4 5 6 7 8 9

扫描事务数据库得到频繁1-项目集F。 I1 6 I2 7 I3 6 I4 2 I5 2 I1,I2,I5 I2,I4 I2,I3 I1,I2,I4 I1,I3 I2,I3 I1,I3 I1,I2,I3,I5 I1,I2,I3 Items 定义minsup=20%,即最小支持度为2,重新排列F。 I2 I1 I3 I4 I5 word格式-可编辑-感谢下载支持 7 重新调整事务数据库。 Tid 1 2 3 4 5 6 7 8 9 6 6 2 2 Items I2, I1,I5 I2,I4 I2,I3 I2, I1,I4 I1,I3 I2,I3 I1,I3 I2, I1,I3,I5 I2, I1,I3 (2)创建根结点和频繁项目表

(3)加入第一个事务(I2,I1,I5)

(4)加入第二个事务(I2,I4)

word格式-可编辑-感谢下载支持

(5)加入第三个事务(I2,I3)

以此类推加入第5、6、7、8、9个事务。 (6)加入第九个事务(I2,I1,I3)

1.1.4 FP-Growth算法演示—FP-树挖掘

FP-树建好后,就可以进行频繁项集的挖掘,挖掘算法称为FpGrowth(Frequent Pattern Growth)算法,挖掘从表头header的最后一个项开始,以此类推。本文以I5、I3为例进行挖掘。 (1)挖掘I5:

对于I5,得到条件模式基:<(I2,I1:1)>、 构造条件FP-tree:

word格式-可编辑-感谢下载支持

得到I5频繁项集:{{I2,I5:2},{I1,I5:2},{I2,I1,I5:2}} I4、I1的挖掘与I5类似,条件FP-树都是单路径。 (1)挖掘I3:

I5的情况是比较简单的,因为I5对应的条件FP-树是单路径的,I3稍微复杂一点。I3的条件模式基是(I2 I1:2), (I2:2), (I1:2),生成的条件FP-树如下图:

I3的条件FP-树仍然是一个多路径树,首先把模式后缀I3和条件FP-树中的项头表中的每一项取并集,得到一组模式{I2 I3:4, I1 I3:4},但是这一组模式不是后缀为I3的所有模式。还需要递归调用FP-growth,模式后缀为{I1,I3},{I1,I3}的条件模式基为{I2:2},其生成的条件FP-树如下图所示。

在FP_growth中把I2和模式后缀{I1,I3}取并得到模式{I1 I2 I3:2}。

理论上还应该计算一下模式后缀为{I2,I3}的模式集,但是{I2,I3}的条件模式基为空,递归调用结束。最终模式后缀I3的支持度>2的所有模式为:{ I2 I3:4, I1 I3:4, I1 I2 I3:2}。 1.2 Spark Mllib FPGrowth源码分析

FPGrowth源码包括:FPGrowth、FPTree两部分。 其中FPGrowth中包括:run方法、genFreqItems方法、genFreqItemsets方法、genCondTransactions方法; FPTree中包括:add方法、merge方法、project方法、getTransactions方法、extract方法。

// run 计算频繁项集 /**

* Computes an FP-Growth model that contains frequent itemsets. * @param data input data set, each element contains a transaction * @return an [[FPGrowthModel]] */

word格式-可编辑-感谢下载支持

def run[Item: ClassTag](data: RDD[Array[Item]]): FPGrowthModel[Item] = { if (data.getStorageLevel == StorageLevel.NONE) { logWarning(\"Input data is not cached.\") }

val count = data.count()//计算事务总数

val minCount = math.ceil(minSupport * count).toLong//计算最小支持度 val numParts = if (numPartitions > 0) numPartitions else val partitioner = new HashPartitioner(numParts) //freqItems计算满足最小支持度的Items项

val freqItems = genFreqItems(data, minCount, partitioner) //freqItemsets计算频繁项集

val freqItemsets = genFreqItemsets(data, minCount, freqItems, partitioner) new FPGrowthModel(freqItemsets) }

// genFreqItems计算满足最小支持度的Items项 /**

* Generates frequent items by filtering the input data using minimal support level. * @param minCount minimum count for frequent itemsets * @param partitioner partitioner used to distribute items * @return array of frequent pattern ordered by their frequencies */

privatedef genFreqItems[Item: ClassTag]( data: RDD[Array[Item]], minCount: Long,

partitioner: Partitioner): Array[Item] = { data.flatMap { t => val uniq = t.toSet if (t.size != uniq.size) {

thrownew SparkException(s\"Items in a transaction must be unique but got ${t.toSeq}.\") } t

}.map(v => (v, 1L))

.reduceByKey(partitioner, _ + _) .filter(_._2 >= minCount) .collect() .sortBy(-_._2) .map(_._1)

}//统计每个Items项的频次,对小于minCount的Items项过滤,返回Items项。

// genFreqItemsets计算频繁项集:生成FP-Trees,挖掘FP-Trees

word格式-可编辑-感谢下载支持

/**

* Generate frequent itemsets by building FP-Trees, the extraction is done on each partition. * @param data transactions

* @param minCount minimum count for frequent itemsets * @param freqItems frequent items

* @param partitioner partitioner used to distribute transactions * @return an RDD of (frequent itemset, count) */

privatedef genFreqItemsets[Item: ClassTag]( data: RDD[Array[Item]], minCount: Long, freqItems: Array[Item],

partitioner: Partitioner): RDD[FreqItemset[Item]] = { val itemToRank = //表头 data.flatMap { transaction =>

genCondTransactions(transaction, itemToRank, partitioner)

}.aggregateByKey(new FPTree[Int], partitioner.numPartitions)( //生成FP树 (tree, transaction) => tree.add(transaction, 1L), //FP树增加一条事务 (tree1, tree2) => tree1.merge(tree2)) //FP树合并 .flatMap { case (part, tree) =>

tree.extract(minCount, x => partitioner.getPartition(x) == part)//FP树挖掘频繁项 }.map { case (ranks, count) =>

new FreqItemset(ranks.map(i => freqItems(i)).toArray, count) } }

// add FP-Trees增加一条事务数据 /** Adds a transaction with count. */

def add(t: Iterable[T], count: Long = 1L): this.type = { require(count > 0) var curr = root curr.count += count t.foreach { item =>

val summary = summaries.getOrElseUpdate(item, new Summary) summary.count += count val child = (item, {

val newNode = new Node(curr) newNode.item = item summary.nodes += newNode newNode })

word格式-可编辑-感谢下载支持

child.count += count curr = child } this }

// merge FP-Trees合并

/** Merges another FP-Tree. */ def merge(other: FPTree[T]): this.type = { { case (t, c) => add(t, c) } this }

// extract FP-Trees挖掘,返回所有频繁项集

/** Extracts all patterns with valid suffix and minimum count. */ def extract(

minCount: Long,

validateSuffix: T => Boolean = _ => true): Iterator[(List[T], Long)] = { { case (item, summary) =>

if (validateSuffix(item) && summary.count >= minCount) { Iterator.single((item :: Nil, summary.count)) ++ project(item).extract(minCount).map { case (t, c) => (item :: t, c) } } else {

Iterator.empty } } } }

1.3 Mllib FPGrowth实例

1、数据

数据格式为:物品1物品2物品3… r z h k p

z y x w v u t s s x o n r

x z y m t s q e z

x z y r q t p

2、代码(shell执行的代码) //读取样本数据

word格式-可编辑-感谢下载支持

val data_path = \"/home/tmp/sample_fpgrowth.txt\" val data = sc.textFile(data_path)

val examples = data.map(_.split(\" \")).cache() //建立模型 val minSupport = 2 val numPartition = 10 val model = new FPGrowth() .setMinSupport(minSupport) .setNumPartitions(numPartition) .run(examples) //打印结果

println(s\"Number of frequent itemsets: ${()}\") ().foreach { itemset =>

println((\"[\ }

因篇幅问题不能全部显示,请点此查看更多更全内容