FP-Growth算法
FP-Growth(頻繁模式增長)算法是韓家煒老師在2000年提出的關聯分析算法，它采取如下分治策略：將提供頻繁項集的數據庫壓縮到一棵頻繁模式樹（FP-Tree），但仍保留項集關聯信息；該算法和Apriori算法最大的不同有兩點：第一，不產生候選集，第二，只需要兩次遍歷數據庫，大大提高了效率。
算法偽代碼
算法：FP-增長。使用FP-樹，通過模式段增長，挖掘頻繁模式。
輸入：事務數據庫D；最小支持度閾值min_sup。
輸出：頻繁模式的完全集。
1． 按以下步驟構造FP-樹：
(a) 掃描事務數據庫D 一次。收集頻繁項的集合F 和它們的支持度。對F 按支持度降序排
序，結果為頻繁項表L。
(b) 創建FP-樹的根結點，以“null”標記它。對於D 中每個事務Trans，執行：
選擇 Trans 中的頻繁項，並按L 中的次序排序。設排序后的頻繁項表為[p | P]，其
中，p 是第一個元素，而P 是剩余元素的表。調用insert_tree([p | P], T)。該過程執行
情況如下。如果T 有子女N 使得N.item-name = p.item-name，則N 的計數增加1；否
則創建一個新結點N，將其計數設置為1，鏈接到它的父結點T，並且通過結點鏈結構
將其鏈接到具有相同item-name 的結點。如果P 非空，遞歸地調用insert_tree(P, N)。
2． FP-樹的挖掘通過調用FP_growth(FP_tree, null)實現。該過程實現如下：
procedure FP_growth(Tree, α)
(1) if Tree 含單個路徑P then
(2) for 路徑 P 中結點的每個組合（記作β）
(3) 產生模式β ∪ α，其支持度support = β中結點的最小支持度；
(4) else for each a i 在 Tree 的頭部 {
(5) 產生一個模式β = a i ∪ α，其支持度support = a i .support；
(6) 構造β的條件模式基，然后構造β的條件FP-樹Treeβ；
(7) if Treeβ ≠ ∅ then
(8) 調用 FP_growth (Treeβ, β)；}
點Build后生成的頭表和FP-Tree
點Step后生成再點Next會一次加入一個事務項進行生成FP-Tree
最后生成完了FP-Tree后點擊ConditionTreeMode進入FP-Tree挖掘模式,顯示當前頭表中選中項的條件FP-Tree
