FP-growth（Frequent Pattern Growth）是一种用于挖掘频繁项集的算法，它通过构建一个紧凑的数据结构来存储项集信息，避免了传统Apriori算法中的多次扫描数据库。FP-growth算法通过构建FP-tree（Frequent Pattern Tree）来压缩数据库，然后使用深度优先搜索策略来挖掘频繁项集。该算法能够有效减少数据的扫描次数和项集的候选项，提高挖掘效率。
优点：减少了对数据库的扫描次数，降低了挖掘过程中的计算复杂度；使用FP-tree结构压缩数据，减少了存储空间的需求；挖掘频繁项集时，候选项的生成更加高效。
缺点：对于包含大量项的数据集，FP-tree的构建和存储可能会占用较多的内存资源；在某些情况下，可能不如Apriori算法直观易懂。
实战练习
推荐工具：析易数据分析平台（http://data.easyaier.com/sci/index）
案例：对患者的饮食组合进行，找出患者最长见的食物组合，选择105名患者每人10天的食物表，进行频繁级挖掘。
操作流程：
步骤1：选择算法，fp-growth算法，并选择“患者饮食” 数据集。
步骤2：选择待分析变量
步骤3：调整其他参数，可点击查看参数说明
步骤4：支持度写90，置信度0.3.点击计算后生成分析报告
步骤5：结论分析