FPGrowth-python 此实现基于 。 输入文件格式 python 脚本接受以下格式的输入文件： f,c,a,m,p f,c,b 或者 f c a m p f c a 与 IBM Quest Synthetic Data Generator 和以生成 csv 文件。 如何使用 首先使main.py可执行。 chmod +x main.py 运行 FP-Growth 算法 ./main input_file minsup minconf 输出 该程序首先打印频繁模式： { frequent itemset } (support of the frequent item set) 例如。 { a } ( 3 ) { a c } ( 3 ) { a c f } ( 3 ) { a f } ( 3 ) ... 之后它会打印规则： { frequent itemset

主要用于大数据关联性挖掘，基于Python环境

目前 ，医治疗一般都是采用，医辨证的原则 结合临床医师的从医 经验和医学指南进行诊断 然而此方法也存在一定的缺陷。 原始数据情况 患者信息属性说明 患者信息数据 初步分析: 针对乳腺癌患者 可运用，医截断疗法进行治疗 在辨病的基础上围绕 各个病程的特殊证候先证而治型； 依据医学指南 将乳腺癌辨证统一化 为六种证型。且患者在围手术期 、围化疗期、围放疗期和内分泌治疗期等各个病程阶段 基本都会出现 特定的临床症状。 通过关联规则算法 挖掘各，医证素与乳腺癌TNM分期之间的关系。探 索不同分期阶段的三阴乳腺癌患者的，医证素分布规律 以及截断病变 发展、先期干预的治疗思路 指导三阴乳腺癌的，医临床治疗。

这是我毕业设计的题目。该程序虽然代码有点乱，但是功能很全（连续属性离散化等功能都有实现）。实验数据和训练数据都比较大，可以体现这个算法的真正效率及准确率。

关联规则挖掘中有几个经典算法，Apriori算法因为其效率比较低，时间复杂度很高，因此韩佳伟改进了该算法，附件是fp-growth的python实现。

关联规则的兴趣度度量 客观度量 两个流行的度量指标 支持度 置信度 主观度量 最终，只有用户才能确定一个规则是否有趣的，而且这种判断是主观的，因不同的用户而异；通常认为一个规则（模式）是有趣的，如果： 它是出人意料的 可行动的（用户可以使用该规则做某些事情） 挖掘了关联规则后，哪些规则是用户感兴趣的？强关联规则是否就是有趣的？

用MATLAB软件实现关联规则中频繁项集挖掘算法Apriori 调试可用 附带测试数据集 程序完整 用MATLAB软件实现关联规则中频繁项集挖掘算法Apriori 调试可用 附带测试数据集 程序完整

本文通过对Apriori算法分析，应用散列、事务压缩、划分、抽样等方法，最大可能的减少数据库扫描的次数，快速发现频繁项集，提高Apriori算法的效率。

电子科技大学数据挖掘课程 第二次实验 关联规则挖掘 实验报告及代码实现 包括频繁项集获取过程 关联规则获取过程 自认为理解&写得还是很透彻的哈哈哈 没看懂可以来找我~

高效的单次频繁模式挖掘--Efficient single-pass frequent pattern mining.pdf