Apache spark pyspark—FPGrowth：转换如何处理看不见的事务？

我正在Spark 2.4中使用pyspark.ml.fpm.FPGrowth，我有一个问题，就是转换如何精确地处理新事务

我的理解是model.transform将获取每个事务X，并找到所有Y，以便 形态（X-->Y）>最小置信度。然后，它将返回按信任度排序的此类Y的列表

但是，假设没有包含X的事务，因此Conf（X-->Y）对于所有Y都是未定义的，我不确定该算法将如何转换该事务

这是从文档中提取的一组简单事务：

DF = spark.createDataFrame([
    (0, [1, 2, 5]),
    (1, [1, 2, 3, 5]),
    (2, [1, 4])
], ["id", "items"])

fpGrowth = FPGrowth(itemsCol="items", minSupport=0, minConfidence=0)
model = fpGrowth.fit(DF)

然后，我们提供一个简单的事务作为测试数据：

test_DF = spark.createDataFrame([
    (0, [4,5])
], ["id", "items"])
test_DF = spark.createDataFrame(baskets, schema=schema)
model.transform(test_DF).show()

+---+------+----------+
|num| items|prediction|
+---+------+----------+
|  1|[4, 5]| [1, 3, 2]|
+---+------+----------+

---

有人知道预测[1,3,2]是如何生成的吗？

我认为FPGrowthModel.transform将FPGrowth挖掘的规则应用于事务，因此，当它在事务中找到一个项集X，同时我们有一个规则说（X=>Y），那么它会在该事务的预测列中建议项Y， 但问题是，我注意到，在我们有一个包含X和Y的事务的情况下，它在预测列中返回[]，除非有一条规则说X&Y=>Z，在这种情况下，它将建议Z。

---

因此，很难使用准确度度量来评估模型：（

我认为FPGrowthModel.transform将FPGrowth挖掘的规则应用于事务，因此当它在事务中找到一个项集X，同时我们有一个表示（X=>Y）的规则时，它会在该事务的预测列中建议项Y， 但问题是，我注意到，在我们有一个包含X和Y的事务的情况下，它在预测列中返回[]，除非有一条规则说X&Y=>Z，在这种情况下，它将建议Z。 因此，很难使用精度度量来评估模型：(