对Apriori算法的改进
Apriori算法在挖掘事物关联规则有一定的弊端，也就是在数据量过大，而最小支持度阈值却很低的情况下，Apriori算法对事物数据库的遍历，尤其在编程过程中对组合步骤中，嵌套了过多的循环，导致挖掘效率低下。对此，做出改进的经典算法之一是FP-growth算法。
FP-growth算法
FP-growth是频繁模式增长（Frequent-Patter Growth）简称。它采用分治策略：
- 首先，对事物数据库的每个项计数，记录到一个表里，并将按照频次从大到小的项排序，这个表叫做heard。
- 构造FP-树。FP树的根节点是个哑信号，接着对事物数据库的每一条记录查找：首根据heard中排好序的项，找出记录中频次最多的项加到父亲节点下（如果没有就创建新的孩子节点），并且记录它出现的次数（cunt++）；接着添加频次次之的项…；直到数据库中所有记录添加完成，FP树就构造好了。
例如：
插入第一条（薯片>鸡蛋>面包>牛奶）之后
插入第二条记录（薯片>鸡蛋>啤酒）
注意：A>B是指这条记录中A在heard表中的频次大A在heard表中的频次 - 在FP树中，根节点到每个孩子的距离便是一条数据库中的记录，而且节点记录的次数是从上到下逐渐降低的，这样，我们挖掘的数据被压缩到树上，根据节点的计数信息，从叶子节点开始向上可以找出条件模式基，对条件模式基的有序子集查找与过滤可以得到条件FP树，产生的频繁模式是条件FP树的项集合，频繁大小是项集最小项的频次数。
总结
以上是个人理解，作为学习记录。