Her er en enkel MATLAB-implementering av FP-Tree assosiasjonsalgoritmen for data mining. Denne koden finner hyppige varesett og assosiasjonsregler fra et gitt transaksjonsdatasett.

```

% Opprett den opprinnelige transaksjonsdatabasen som en cellematrise

transaksjoner ={ ...

{'Brød', 'Melk', 'Smør'}, ...

{'Brød', 'Bleier', 'Øl', 'Egg'}, ...

{'Melk', 'Bleier', 'Øl', 'Cola'}, ...

{'Brød', 'Melk', 'Bleier', 'Cola'}, ...

{'Brød', 'Egg', 'Øl'} ...

};

% Konverter transaksjoner til en binær matrise

binære transaksjoner =nuller(størrelse(transaksjoner, 1), størrelse(unikk([transaksjoner{:}]), 2));

for i =1:størrelse(transaksjoner, 1)

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

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

slutt

slutt

% Opprett et hyppig mønstertre fra den binære transaksjonsmatrisen

fpTree =fptree(binære transaksjoner);

% Finn alle hyppige varesett med minimum støtte på 2

frequentItemsets =find_frequent_itemsets(fpTree, 2);

% Generer assosiasjonsregler fra de hyppige varesettene

associationRules =generere_tilknytning_regler(frequentItemsets);

% Vis de hyppige varesettene og tilknytningsregler

disp('Hyppige varesett:');

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

for i =1:length(frequentItemsets)

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

slutt

disp('Foreningsregler:');

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

for i =1:lengde(tilknytningsregler)

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

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

confidence =associationRegler{i}.confidence * 100;

support =associationRules{i}.support * 100;

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

slutt

% Funksjon for å lage et hyppig mønstertre fra en binær transaksjonsmatrise

funksjon fpTree =fptree(transaksjoner)

headerTable =create_header_table(transaksjoner);

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

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

for i =1:størrelse(transaksjoner, 1)

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

slutt

slutt

% Funksjon for å lage en overskriftstabell fra transaksjonene

function headerTable =create_header_table(transaksjoner)

headerTable =struct();

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

for i =1:size(uniqueItems, 2)

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

headerTable(uniqueItems{i}).count =sum(sum(transaksjoner ==unikeItems{i}));

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

slutt

slutt

% Funksjon for å legge til en transaksjon til FP-treet

funksjon add_transaction(transaksjon, node, headerTable)

hvis det er tomt (transaksjon)

retur;

slutt

% Finn varen med høyest frekvens i transaksjonen

maxFrequency =0;

maxItem ='';

for i =1:lengde(transaksjon)

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

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

maxItem =transaksjon{i};

slutt

slutt

% Hvis noden ikke har et barn for maxItem, oppretter du 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;

ellers

if isfield(node.children, maxItem)

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

ellers

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

node.children(maxItem).count =1;

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

node.children(maxItem).parent =node;

slutt

slutt

% Oppdater overskriftstabellen

headerTable(maxItem).link =node;

% Legg til de gjenværende elementene i treet rekursivt

for i =1:lengde(transaksjon)

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

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

slutt

slutt

slutt

% Funksjon for å finne alle hyppige elementsett fra FP-treet

function frequentItemsets =find_frequent_itemsets(fpTree, minSupport)

frequentItemsets ={};

% Finn hyppige elementsett fra hver gren av FP-treet rekursivt

for gren i fpTree.root.children.keys

branchFrequency =fpTree.headerTable(branch).count;

% Hvis grenfrekvensen er mindre enn minimumsstøtten, fortsett til neste gren

if branchFrequency fortsette;

slutt

% Legg til grenelementet som et hyppig elementsett

frequentItemsets{end + 1} ={branch};

% Finn hyppige elementsett for alle undertrær i gjeldende gren rekursivt

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

% Legg til grenelementet til alle de hyppige elementsettene fra undertreet

for i =1:length(subFrequentItemsets)

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

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

slutt

slutt

slutt

% Funksjon for å generere assosiasjonsregler fra de hyppige varesettene

function associationRules =generer_tilknytning_regler(frequentItemsets)

associationRules ={};

% For hvert hyppige varesett, generer alle mulige tilknytningsregler

for itemset =frequentItemsets

for i =1:lengde(varesett)

% Opprett antecedenten og konsekvensen for regelen

antecedent =itemset(1:i-1);

consequent =itemset(i+1:slutt);

% Beregn støtten, selvtilliten og løftet til regelen

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

konfidens =100 * (finn_støtte(union(forutgående, påfølgende)) / finn_støtte(forutgående));

løft =tillit / (100 * find_support(konsekvens) / find_support(antecedent));

% Legg til assosiasjonsregelen i listen

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

slutt

slutt

slutt

% Funksjon for å finne støtte for et varesett

funksjonsstøtte =finn_støtte(varesett)

støtte =0;

% Iterer gjennom alle transaksjonene og sjekk om de inneholder varesettet

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

if all(binære transaksjoner(i, ermedlem(unikk([binære transaksjoner{:}]), varesett)))

støtte =støtte + 1;

slutt

slutt

slutt

```