機械学習実戦--fp-growth


次に前に学んだapriori頻繁セットマイニングについて、ここでは頻繁セットをより効率的に発見するアルゴリズムfp-growth(frequence pattern)を紹介し、ビッグデータ量に対して特に有効(百万件近くのデータの中で検索し、一般的にコンピュータは2 s程度しかかからない)であるが、fp-growthアルゴリズムは頻繁セットを発見するためにしか使用できず、関連ルールをマイニングすることはできない.fp-growthアルゴリズムは主に2つのステップ:1、fpツリーを構築する2、fpツリーを利用して頻繁なセットを発見してfpツリーを構築する:fpツリーを構築する時、データセットを2回スキャンする必要があり、初めて出現した回数を統計し、項目の出現頻度を得る;2回目は頻繁な要素のみを考慮します.1、fpツリーデータ構造の作成
class treeNode:
    def __init__(self, nameValue, numOccur, parentNode):
        self.name = nameValue#   
        self.count = numOccur#       
        self.nodeLink = None
        #   ,                
        self.parent = parentNode      #needs to be updated
        self.children = {} 

    def inc(self, numOccur):
        self.count += numOccur

    def disp(self, ind=1):
        print ' '*ind, self.name, ' ', self.count
        for child in self.children.values():
            child.disp(ind+1)

2、fpツリーに加えて、異なるタイプのヘッダ要素を指すポインタを格納するヘッダポインタtableが必要であり、データ構造全体は以下の通りである:データセットを初めて遍歴して各要素が出現した回数を得、次に最小支持度を満たさない要素項目を削除する.さらに次の構築fpツリーを行います.再構築時に、各アイテムセットを読み込み、既存のパスに追加します.パスが存在しない場合は、新しいパスを作成します.各トランザクションは無秩序な集合です.集合{z,x,y}と{y,z,x}があると仮定すると,fpツリーでは同じ項は1回しか表示されない.この問題を解決するには、ツリーにコレクションを追加する前に、各コレクションをソートする必要があります.ソートは、要素アイテムの絶対出現頻度に基づいて行われます.
#dataSet simple:{feozenset(['r', 'z', 'h', 'j', 'p']):1, frozenset(['z', 'y', 'x', 'w', 'v', 'u', 't', 's']):2}
def createTree(dataSet, minSup=1): #create FP-tree from dataset but don't mine
    headerTable = {}
    #go over dataSet twice
    for trans in dataSet:#first pass counts frequency of occurance
        for item in trans:
            headerTable[item] = headerTable.get(item, 0) + dataSet[trans]
    for k in headerTable.keys():  #remove items not meeting minSup
        if headerTable[k] < minSup: 
            del(headerTable[k])
    freqItemSet = set(headerTable.keys())
    #print 'freqItemSet: ',freqItemSet
    if len(freqItemSet) == 0: return None, None  #if no items meet min support -->get out
    for k in headerTable:
        headerTable[k] = [headerTable[k], None] #reformat headerTable to use Node link 
    #print 'headerTable: ',headerTable
    retTree = treeNode('Null Set', 1, None) #create tree
    for tranSet, count in dataSet.items():  #go through dataset 2nd time
        localD = {}
        for item in tranSet:  #put transaction items in order
            if item in freqItemSet:
                localD[item] = headerTable[item][0]
        if len(localD) > 0:
            orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: p[1], reverse=True)]
            updateTree(orderedItems, retTree, headerTable, count)#populate tree with ordered freq itemset
    return retTree, headerTable #return tree and header table

def updateTree(items, inTree, headerTable, count):
    if items[0] in inTree.children:#check if orderedItems[0] in retTree.children
        inTree.children[items[0]].inc(count) #incrament count
    else:   #add items[0] to inTree.children
        inTree.children[items[0]] = treeNode(items[0], count, inTree)
        if headerTable[items[0]][1] == None: #update header table 
            headerTable[items[0]][1] = inTree.children[items[0]]
        else:
            updateHeader(headerTable[items[0]][1], inTree.children[items[0]])
    if len(items) > 1:#call updateTree() with remaining ordered items
        updateTree(items[1::], inTree.children[items[0]], headerTable, count)

def updateHeader(nodeToTest, targetNode):   #this version does not use recursion
    while (nodeToTest.nodeLink != None):    #Do not use recursion to traverse a linked list!
        nodeToTest = nodeToTest.nodeLink
    nodeToTest.nodeLink = targetNode

fpツリーベースの頻繁なセットのマイニング:
def ascendTree(leafNode, prefixPath): #ascends from leaf node to root
    if leafNode.parent != None:
        prefixPath.append(leafNode.name)
        ascendTree(leafNode.parent, prefixPath)
#treeNode:    headerTable         
#       
def findPrefixPath(basePat, treeNode): #treeNode comes from header table
    condPats = {}
    while treeNode != None:
        prefixPath = []
        ascendTree(treeNode, prefixPath)
        #add the prefixPath count
        if len(prefixPath) > 1: 
            condPats[frozenset(prefixPath[1:])] = treeNode.count
        treeNode = treeNode.nodeLink
    return condPats
#freqItemList:      
#inTree:fp 
#headerTable:    
def mineTree(inTree, headerTable, minSup, preFix, freqItemList):
    bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p: p[1])]#(sort header table)
    for basePat in bigL:  #start from bottom of header table
        newFreqSet = preFix.copy()
        newFreqSet.add(basePat)
        #print 'finalFrequent Item: ',newFreqSet #append to set
        freqItemList.append(newFreqSet)
        condPattBases = findPrefixPath(basePat, headerTable[basePat][1])
        #print 'condPattBases :',basePat, condPattBases
        #2. construct cond FP-tree from cond. pattern base
        myCondTree, myHead = createTree(condPattBases, minSup)
        #print 'head from conditional tree: ', myHead
        if myHead != None: #3. mine cond. FP-tree
            #print 'conditional tree for: ',newFreqSet
            #myCondTree.disp(1) 
            mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList)

テスト:
#minSup = 3
#simpDat = loadSimpDat()
#initSet = createInitSet(simpDat)
#myFPtree, myHeaderTab = createTree(initSet, minSup)
#myFPtree.disp()
#myFreqList = []
#mineTree(myFPtree, myHeaderTab, minSup, set([]), myFreqList)