前置概念：

Support: 支持度 s(X->Y) =(XUY)/N;

Confidence: 置信度 c(X->Y) =(XUY)/(X);

Frequent ItemSet: 频繁项集 Support >minSup;

Apriori Principle: 如果一个项集是频繁的，那它所有的子项集也都是频繁的。

Frequent Itemset Generation in the AprioriAlgorithm:

Apriori算法是第一个指出使用基于支持度剪枝策略的关联规则挖掘算法，系统地控制候选项集的指数增长。

Ck代表k候选项集, Fk代表频繁k项集

1 算法首先遍历一遍数据集，检测每项的支持度，获取频繁1-项集。Steps (1-2)

2 接下来，循环使用频繁(k-1)-项集派生k-候选项集。Step (5)

3 遍历数据集计算候选项集支持度Steps (6-10)

4 计算支持度后，消除非频繁项集Step (12)

5 当没有新的频繁项集产生的时候，算法结束Step(13)

Frequent itemset generation of the AprioriAlgorithm.

Rule generation:

若果一个规则X->Y-X不满足置信度阀值，那么所有的X’->Y-X’也不满足阀值, 其中X’⊂ X.

Rule generation of the Apriori algorithm.

Procedure ap-genrules(fk, Hm).

总结：

核心思想:       基于两阶段频繁项集，挖掘关联规则

算法优点:       简单、易理解、数据要求低

算法缺点:       I/O负载大，产生过多的候选项集

Apriori例题（Introduction to data mining）：

(b)16/32=50%

(c)11/32=34.4%

(d)5/32=15.6%