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
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.
fpツリーベースの頻繁なセットのマイニング:
テスト:
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)