關聯規則的發現是指找出支援度大於等於最小支援度(minsup),並且置信度大於最小置信度(minconf)的所有
規則。
對於關聯規則分析來說，主要分為兩個步驟：
1.找出頻繁項集：找出滿足最小支援度閾值的所有項集。對於乙個k項集來說，它可能產生2.規則的產生：從第一步中找出置信度大於最小置信度閾值的規則。
一、基本定義
1.支援度（support）：
2.置信度（confidence）：
3.支援度計數：
其中符號| |代表求元素的個數。
二、頻繁項集的產生
閾值，這樣就十分繁重。下面介紹一種使用支援度度量，減少頻繁項集的產生時所需要探查的候選集個數。
1.先驗原理：如果乙個項集是頻繁的，那麼它的所有子集也一定是頻繁的。相反，若乙個項集是非頻繁項集，那麼它的所有超集一定是非頻繁項集。如下圖所示，若項集｛ab｝是非頻繁，
則包含｛ab｝項集的子圖就可以被剪枝。
2.apriori演算法產生頻繁項集apriori演算法主要步驟如下：
（1）掃瞄資料集，確定每個項的支援度，得到所有的頻繁1-項集。
（2）使用上一次迭代發現的頻繁（k-1）-項集，產生新的k-侯項集。（候選項集的產生使用apriori-gen函式）
（3）對新產生的k-候選集的支援度計數，需要再次掃瞄資料集。
（4）計算了候選集的支援度計數後，刪去小於最小支援度閾值的候選集
（5）當沒有新的頻繁項集產生時，演算法結束。
候選項集的產生需要注意以下幾點：（1）若它至少存在乙個自己是非頻繁的，則這個候選集是不必要的，產生候選集時應當避免產生過多不必要的候選集。
（2）必須確保候選項集是完整的。
（3）不會產生重複的候選項集。
a.這種方法運用頻繁1-項集和頻繁（k-1）項集進行組合，從而產生k-侯項集，再計算每個
k-侯項集的支援度進行剪枝。
b.函式apriori-gen函式產生候選項集的過程中，合併一對頻繁（k-1）-項集，僅當它們的前（k-2）個項全部相
同，且它們的第k項不同。令
eg：假設有三個頻繁項集｛麵包，牛奶｝、｛啤酒，尿布｝和｛麵包，尿布｝。
奶｝和｛麵包，尿布｝為｛麵包，牛奶，尿布｝，而不會合併｛啤酒，尿布｝和｛麵包，尿布｝。
二、規則的產生若將頻繁項集y劃分成兩個非空的子集x和（y-x），使得eg：若｛a，b，c，d｝中基於置信度的剪枝：
定理：若規則
關聯規則挖掘
關聯規則反映事物之間的相互依存性和關聯性。如果事物之間存在一定的關聯，那麼我們就可以通過乙個事物去 另乙個事物。我們要挖掘大量資料中人們感興趣的，有價值的資訊，包括概念，規則，規律等。關聯規則 發現資料中的規律 超市中什麼產品會 起購買？組合推薦 顧客在買了 臺pc之後下 步會購買?搭配推薦 哪種d...
關聯規則Apriori
首先介紹的是啤酒和尿布的故事 上網自查 這是學習關聯規則必須知道的乙個故事。頻繁項集，關聯規則，支援度，置信度這四個概念貫穿apriori演算法的始終。如果乙個集合不是頻繁相集，那它的超集比然也不是頻繁相集。機器學習實戰例子 coding utf 8 from numpy import def lo...
解讀關聯規則
很久以前，研究資料探勘的康師傅告訴一種應用，叫做交叉銷售。它是用來向使用者推薦目標業務的。背後的原理是，通過分析現有使用者的業務使用組合，對於那些常常一同 172 出現的業務，這就是一種規則。譬如有一對業務總是出現，只要有其中一種業務的，70 的可能會有另一種業務。就可以對那些只使用一種業務的推薦另...