Her er en simpel MATLAB-implementering af FP-Tree-associeringsalgoritmen til datamining. Denne kode finder hyppige varesæt og tilknytningsregler fra et givet transaktionsdatasæt.

```

% Opret den oprindelige transaktionsdatabase som et cellearray

transaktioner ={ ...

{'Brød', 'Mælk', 'Smør'}, ...

{'Brød', 'Bleer', 'Øl', 'Æg'}, ...

{'Mælk', 'Bleer', 'Øl', 'Cola'}, ...

{'Brød', 'Mælk', 'Bleer', 'Cola'}, ...

{'Brød', 'Æg', 'Øl'} ...

};

% Konverter transaktioner til en binær matrix

binære Transaktioner =nuller(størrelse(transaktioner, 1), størrelse(unik([transaktioner{:}]), 2));

for i =1:størrelse(transaktioner, 1)

for j =1:størrelse(transaktioner{i}, 2)

binære Transaktioner(i, strcmp(transaktioner{i}{j}, unik([transaktioner{:}]))) =1;

ende

ende

% Opret et hyppigt mønstertræ fra den binære transaktionsmatrix

fpTree =fptree(binære Transaktioner);

% Find alle hyppige emnesæt med minimum støtte på 2

frequentItemsets =find_frequent_itemsets(fpTree, 2);

% Generer tilknytningsregler fra de hyppige varesæt

associationRules =generere_association_rules(hyppige Varesæt);

% Vis de hyppige varesæt og tilknytningsregler

disp('Hyppige emnesæt:');

disp('------------------------');

for i =1:længde(frequentItemsets)

fprintf('%s\n', strjoin(frequentItemsets{i}, ', '));

ende

disp('Foreningsregler:');

disp('------------------------');

for i =1:længde(associationRegler)

lhs =strjoin(associationRules{i}.lhs, ', ');

rhs =strjoin(associationRegler{i}.rhs, ', ');

tillid =associationRegler{i}.tillid * 100;

support =associationRegler{i}.support * 100;

fprintf('Hvis %s, så %s. Tillid =%f%%, Support =%f%%\n', lhs, rhs, tillid, support);

ende

% Funktion til at skabe et hyppigt mønstertræ fra en binær transaktionsmatrix

funktion fpTree =fptree(transaktioner)

headerTable =create_header_table(transaktioner);

root =add_node(-1, headerTable.id);

fpTree =struct('root', root, 'headerTable', headerTable);

for i =1:størrelse(transaktioner, 1)

add_transaction(transaktioner(i, :), root, headerTable);

ende

ende

% Funktion til at oprette en overskriftstabel ud fra transaktionerne

function headerTable =create_header_table(transaktioner)

headerTable =struct();

uniqueItems =unik([transaktioner{:}]);

for i =1:størrelse(uniqueItems, 2)

headerTable(uniqueItems{i}).id =i;

headerTable(uniqueItems{i}).count =sum(sum(transaktioner ==unikkeItems{i}));

headerTable(uniqueItems{i}).link =[];

ende

ende

% Funktion til at tilføje en transaktion til FP-træet

funktion add_transaction(transaktion, node, headerTable)

hvis den er tom (transaktion)

returnere;

ende

% Find varen med den højeste frekvens i transaktionen

maxFrequency =0;

maxItem ='';

for i =1:længde(transaktion)

if headerTable(transaction{i}).count> maxFrequency

maxFrequency =headerTable(transaktion{i}).count;

maxItem =transaktion{i};

ende

ende

% Hvis noden ikke har et underordnet til maxItem, skal du oprette en

if isempty(node.children)

node.children(maxItem).id =headerTable(maxItem).id;

node.children(maxItem).count =1;

node.children(maxItem).link =headerTable(maxItem).link;

node.children(maxItem).parent =node;

andet

if isfield(node.children, maxItem)

node.children(maxItem).count =node.children(maxItem).count + 1;

andet

node.children(maxItem).id =headerTable(maxItem).id;

node.children(maxItem).count =1;

node.children(maxItem).link =headerTable(maxItem).link;

node.children(maxItem).parent =node;

ende

ende

% Opdater overskriftstabellen

headerTable(maxItem).link =node;

% Tilføj rekursivt de resterende elementer til træet

for i =1:længde(transaktion)

if ~(strcmp(maxItem, transaktion{i}))

add_transaction(transaction(2:end), node.children(maxItem), headerTable);

ende

ende

ende

% Funktion til at finde alle hyppige emnesæt fra FP-træet

function frequentItemsets =find_frequent_itemsets(fpTree, minSupport)

frequentItemsets ={};

% Find hyppige emnesæt fra hver gren af ​​FP-træet rekursivt

for gren i fpTree.root.children.keys

branchFrequency =fpTree.headerTable(branch).count;

% Hvis grenfrekvensen er mindre end minimumsstøtten, fortsæt til næste gren

hvis branchFrequency fortsætte;

ende

% Tilføj grenelementet som et hyppigt elementsæt

frequentItemsets{end + 1} ={branch};

% Find hyppige emnesæt for alle undertræer i den aktuelle gren rekursivt

subFrequentItemsets =find_frequent_itemsets(subtrees(fpTree.root, branch), minSupport);

% Tilføj grenelementet til alle de hyppige elementsæt fra undertræet

for i =1:length(subFrequentItemsets)

subFrequentItemsets{i}{1} =[branch, subFrequentItemsets{i}{1}];

frequentItemsets{end + 1} =subFrequentItemsets{i};

ende

ende

ende

% Funktion til at generere tilknytningsregler fra de hyppige varesæt

funktion associationRegler =generere_tilknytning_regler(hyppige Varesæt)

associationRules ={};

% Generer alle mulige tilknytningsregler for hvert hyppigt varesæt

for varesæt =hyppige varesæt

for i =1:længde(varesæt)

% Opret antecedenten og konsekvensen for reglen

antecedent =itemset(1:i-1);

consequent =itemset(i+1:end);

% Beregn reglens støtte, selvtillid og løfteevne

support =100 * (find_support(union(antecedent, konsekvent)) / find_support(antecedent));

konfidens =100 * (find_support(union(antecedent, konsekvent)) / find_support(antecedent));

lift =tillid / (100 * find_support(konsequent) / find_support(antecedent));

% Tilføj tilknytningsreglen til listen

associationRules{end + 1} =struct('lhs', antecedent, 'rhs', consequent, 'confidence', confidence, 'support', support);

ende

ende

ende

% Funktion til at finde understøttelse af et varesæt

funktionssupport =find_support(varesæt)

støtte =0;

% Gentag alle transaktionerne og kontroller, om de indeholder varesættet

for i =1:størrelse(binære transaktioner, 1)

if all(binære Transaktioner(i, ermedlem(unik([binære Transaktioner{:}]), varesæt)))

støtte =støtte + 1;

ende

ende

ende

```