Eclat算法
与fp-growth 和apriori算法不同，Eclat算法加入了倒排的思想，具体就是将事务数据中的项作为key，每个项对应的事务ID作为value。
原输入数据为
| tid | item |
|---|---|
| 1 | A,B |
| 2 | B,C |
| 3 | A,C |
| 4 | A,B,C |
转换后为：
| item | tids |
|---|---|
| A | 1,3,4 |
| B | 1,2,4 |
| C | 2,3,4 |
通过转换后的倒排表可以加快频繁集生成速度。 其算法思想是 由频繁k项集求交集，生成候选k+1项集 。对候选k+1项集做裁剪，生成频繁k+1项集，再求交集生成候选k+2项集。如此迭代，直到项集归一。 根据上述数据的情况，具体计算过程为
算法过程：
1.计算频繁1项集，结果为：
| item | freq |
|---|---|
| A | 3 |
| B | 3 |
| C | 3 |
2.由频繁1项集生成频繁2项集
| item | freq |
|---|---|
| A,B | 2 |
| A,C | 2 |
| B,C | 2 |
3.由频繁2项集生成频繁3项集
| item | freq |
|---|---|
| A,B,C | 1 |
频繁k项集生成频繁k+1项集的过程与由1项集生成2项集的过程完全一致。
这里有个隐含的条件是，两个频繁k项集生成k+1项集时，前k-1项是一致的,A,B+A,C==>A,B,C
Eclat算法实现[编辑]
eclat的核心思想就是倒排，这种数据处理方式很适合用关系型数据表示和实现。 具体可参考用关系型数据结构实现Eclat算法——Hiv
转载自：http://zh.wikipedia.org/wiki/%E5%85%B3%E8%81%94%E5%BC%8F%E8%A7%84%E5%88%99