构建FP树
第二步，扫描数据库，进行FP树的构建。FP树以root节点为起始，节点包含自身的item和count，以及父节点和子节点。
首先是第一条交易数据，a b d，结合第一步商品顺序，排序后为b a d，依次在树中添加节点b，父节点为root，最新的的频次为1，然后节点a，父节点为a，频次为1，最后节点d，父节点为b，频次为1。
构建FP树
第二条交易数据，排序后为：b c d。依次添加b，树中已经有节点b，因此更新频次加1，然后是节点c，b节点当前只有子节点d，因此新建节点c，父节点为b，频次为1，最后是d，父节点为c，频次为1。
构建FP树
后面三条交易数据的处理和前两条一样
频繁项的挖掘
商品b频繁项的挖掘
首先是商品b，首先b节点本身的频次符合minSupport，所以是一个频繁项(b : 5)，然后b节点往上找subTree，只有根节点，所以解锁，b为前缀的频繁项只有一个：（b : 5）。
商品a频繁项的挖掘
a本身是个频繁项(a : 3)，然后递归的获取a的子树，进行挖掘。
然后遍历树中所有的a节点，往上找，直到root节点，每个节点的频次为当前遍历节点的频次。因为a只有一个节点(a, 3)，所以往上遍历得到节点b，频次为节点(a, 3)的频次3。只能挖掘出频繁项(b : 3)，然后这是a递归得到的子树，拼上前缀a，所以得到频繁项为(ab : 3)，因此商品a的频繁项挖掘结束，有两个频繁项为：(a : 3), (ab : 3)
商品c频繁项的挖掘商品
c在FP树中包含两个节点，分别为: (c, 1), (c, 2)。显然c自身是个频繁项(c : 3)，然后进行递归。(c, 1)节点往上路径得到如下节点：(a, 1), (b, 1)。节点(c, 2)往上得到(b, 2)。
节点(b, 3)符合minsupport,拼上前缀c得到频繁项(bc : 3)。节点(a, 1)不满足要求，丢弃。
因此，c挖掘出的频繁项为：(c:3), (cb : 3)
商品d频繁项的挖掘
同理，(d : 3)是一个频繁项，子树首先挖出(c : 2)，(b : 3)，拼上前缀d得到(dc : 2),(db : 3)，然后节点c的仅仅有根节点和节点(b, 2)，拼上两个前缀得到(dcb : 2)
最终结果
通过上述的挖掘过程，我们依次挖出了如下9个频繁项：(b : 5), (a : 3), (ab : 3), (c:3), (cb : 3), (d : 3), (dc : 2),(db : 3), (dcb : 2)
总结：
FP-Growth算法 采取如下分治策略：将提供频繁项集的数据库压缩到一棵频繁模式树（FP-tree），但仍保留项集关联信息。减少重复遍历数据的次数，加速计算过程。
关联规则兴趣度
Apriori算法大多是在提升挖掘的效率，而对挖掘出来的规则是否是用户有用，或者说用户感兴趣却研究不多。
现有的许多关联规则发现方法具有以下缺陷：
产生大量的规则，而其中的大部分是显而易见的或不相关的；
没有充分利用管理者的领域知识和职业直觉。管理者的职业直觉往往对知识发现的过程具有重大的价值；
没有提供好的能够评价规则兴趣度的方法。
如何从关联规则中选择出用户最希望得到的知识？
寻找置信度度量的替代物（如兴趣度、有效度、匹配度等）
扩展原有的固定支持度阈值限制的客观评价方法的改进
判断一条关联规则是否有趣可以由两类评价方法：客观兴趣度和主观兴趣度。客观兴趣度主要根据模式或规则的形式和数据库中的数据进行定义，属于数据驱动。主观兴趣度还要考虑客户的参与等人为因索的影响，属于客户驱动。
关联规则挖掘使用支持度-置信度框架存在问题。会产生大量冗余规则。
例如{A,B,C}->{D}等同于{A,B}->{D}强规则不代表有意义，甚至可能误导。
例如conf({怀孕->女性})=100%。
置信度可以看成是在交易数据库中前件发生的 条件下后件概率 P(Y|X )的估计 ，置信度表示某 些项 目集的出现会导致其他项 目集的出现。
置信度作为度量有一个缺点 ，就是只考虑了与的关系，而忽略 了 P(Y) (X=>Y 不等于Y=>X)。例如 ：P(XY)/P(X) 的值 可以等于 P(Y) (即 Y出现与X无关--全概率公式 )，但又超过置信度的阀值 可以使规则成立。
关联规则的可信度支持度阈值不能够显示否定示例的情况.
例如, 我们无法采掘出一条规则表示“买了咖啡的顾客不会买奶粉的可能性是34% , 且在交易记录中有46% 的记录是买了咖啡而没买奶粉”. 显然, 这种购买趋势(即买了咖啡不买奶粉) 在现实生活中是很有可能存在的。
买了咖啡同时又卖茶的比较多，但是买了咖啡但是没买茶的更多。造成这种情况的主要问题是2端的数据规模不匹配，买咖啡的人远多余买茶的人，且很多人只买了咖啡。
兴趣度反映 了是X条件下 Y出现的概率与不 考虑X条件下 Y出现的概率比值 ，反映项集X和项 集 y之间的关系。
兴趣度的取值范围为[0，+∞]。当兴趣度等于 1时 ，表明X和 Y同时出现属于概率事件 ，不具有特别意义 ，即X的出现与Y的出现是独立的,互不受影响 ，称该规则为不相关规则
兴趣度小于 1时表明项集X的出现降低了另一个项集 Y出现的可能性 ， 称为负相关规则 ；
兴趣度大于 1时表明项集Y在项集出现X的条件下 比在无条件下出现 可能性要大，也就是项集X的出现会带动另一个项集 Y的出 现 ，称为正相关规则。
一般情况下 ,挖掘出正相关 的关联规则更具现 实意义 ，但有时负相关规则 的出现也会 为用户带来新的知识。
这里所说的在上一篇文章中也详细的解释了！
