直接用例項來解釋概念更清楚一些，加入資料庫中存在10條交易記錄（transaction），具體如下表所示：
交易id（tid）
購買商品（items）b：bread c:cream m:milk t:tea
t01b c m t
t02b c m
t03c m
t04m t
t05b c m
t06b t
t07b m t
t08t09
b c m t
t10b m t
幾個概念：
專案（item）：其中的b c m t 都稱作item。
項集（itemset）:item的集合，例如、等，每個顧客購買的都是乙個itemset。其中，itemset中item的個數成為itemset的長度，含有k個item的itemset成為k-itemset.
交易（transaction）：定義i為所有商品的集合，在這個例子中i=。每個非空的i子集都成為乙個交易。所有交易構成交易資料庫d。
項集支援度（support）：回個一下項集概念，項集x的支援度定義為：項集x在交易庫**現的次數（頻數）與所有交易次數的比。例如t02的項集x=，則support（x）=2/10=0.2。項集支援度也就是項集出現的頻率。
頻繁集（frequent itemset）：如果乙個項集的支援度達到一定程度（人為規定），就稱該項集為頻繁項集，簡稱頻繁集。這個人為規定的界限就被叫做項集最小支援度（記為supmin）。更通俗地說，如果某個項集（商品組合）在交易庫**現的頻率達到一定值，就稱作頻繁集。如果k項集支援度大於最小支援度，則稱作k-頻繁集，記為lk。
關聯規則（association rule）：r：x→y
其中，x、y都是i的子集，且x、y交集為空。這一規則表示如果項集x在某一交易**現，則會導致項集y以某一概率同時出現在這一交易中。例如r1：→ 表示如果麵包b出現在乙個購物籃中，則牛奶m以某一概率同時出現在該購物籃中。x稱為條件（antecedent or left-hand-side lhs）,y稱為結果（consequence or right hand side rhs）。衡量某一關聯規則有兩個指標：關聯規則的支援度（support）和可信度（confidence）。
關聯規則的支援度：交易庫中同時出現x、y的交易數與總交易數之比,記為support（x→y）。其實也就是兩個項集出現在交易庫中的頻率。
關聯規則的可信度：包含x、y的交易數與包含x的交易數之比，記為confidence(x→y)。也就是條件概率：當項集x出現時，項集y同時出現的概率，p（y|x）。
conviction：conv（x→y）=【 1-sup（y）】/【1-conf（x→y）】表示x出現而y不出現的概率。也就是規則**錯誤的概率。
綜合一下，關聯規則r就是：如果項集x出現在某一購物籃，則項集x同時出現在這一購物籃的概率為confidence （x→y）。
如果我們定義乙個關聯規則最小支援度和關聯規則最小可信度，當某一規則兩個指標都大於最低要求時，則成為強關聯規則。反之成為弱關聯規則。
例如，在上表中，對於規則r：b → m，假設這一關聯規則的支援度為6/10=0.6，表示同時包含c和m的交易數占總交易的60%.可信度為6/8=0.75，表示購買麵包b的人，有75%可能性同時購買牛奶。也就是當抽樣樣本足夠大時，每100個人當中，有75個人同時買了麵包和牛奶，兩外25個人只買其中一樣。
rakesh agrawal
關聯規則的發現一般分為兩個步驟：
1） 根據給定的最小項集支援度，找出所有滿足條件的項集，即頻繁項集。
2） 根據最小可信度，在所有頻繁集中找出符合條件的關聯規則。
步驟1中，可能的項集組合（itemset）有2n-1（排除空集），找出所有頻繁集不是乙個簡單的任務。注意的是，如果某個項集x是頻繁集，則x的子集也必定為頻繁集。
關聯規則分類：
資料的維度：單維和多維，例如麵包–>牛奶為單維關聯規則。而 性別=「女」—>職業=「教師」為多維。
資料的抽象層次：單層關聯規則和多層關聯規則。 單層的還是麵包牛奶的例子，多層的比如：麵包—>伊利牌牛奶。
變數的型別：布林型關聯規則和數值型。布林型： 性別=「女」—>職業=「教師。 數值型：工齡=「5」----->平均工資=「3000」
頻繁項集常用挖掘演算法：apriori演算法、fp-growth演算法、eclat演算法
在ibm spss modeler中，用簡單的資料集測試apriori演算法。詳細請參考：
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...
關聯規則挖掘
1.基本概念 關聯規則挖掘是指尋找給定資料集中項之間的有趣關聯或相關聯絡。可以幫助許多決策的制定，如分類設計 交叉購物和賤賣分析。典型的例子就是購物籃分析。2.關聯規則的步驟 1 找出所有的頻繁項集 這些項集出現的頻繁性至少和預定義的最小支援數一樣 2 由頻繁項集產生強關聯規則 這些規則必須滿足最小...
關聯規則挖掘
概念 支援度 某個商品組合出現的次數與總次數之間的比例 置信度 置信度是個條件概念，就是說在 a 發生的情況下，b 發生的概率是多少 提公升度 衡量 a 出現的情況下，是否會對 b 出現的概率有所提公升 提公升度 a b 置信度 a b 支援度 b 缺點 cba 演算法 gsp 演算法 aprior...