參考這篇文章：
這條關聯規則的支援度：support = p(a並b)
這條關聯規則的置信度：confidence = support(a並b）/suport(a)
apriori演算法指導我們，如果要發現強關聯規則，就必須先找到頻繁集。所謂頻繁集，即支援度大於最小支援度的項集。如何得到資料集合d中的所有頻繁集呢？
apriori演算法為了進一步縮小需要計算支援度的候選集大小，減小計算量，所以在取得候選集時就進行了它的子集是否有非頻繁集的判斷。
所以aprior演算法提出了乙個逐層搜尋的方法，如何逐層搜尋呢？包含兩個步驟：
1.自連線獲取候選集。第一輪的候選集就是資料集d中的項，而其他輪次的候選集則是由前一輪次頻繁集自連線得到（頻繁集由候選集剪枝得到）。
2.對於候選集進行剪枝。如何剪枝呢？候選集的每一條記錄t，如果它的支援度小於最小支援度，那麼就會被剪掉；此外，如果一條記錄t，它的子集有不是頻繁集的，也會被剪掉。
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...
深度解析資料探勘關聯規則Apriori演算法
01 關聯規則挖掘背景和基本概念 如下所示的資料集，表中的每一行代表一次購買清單，注意我們只關心記錄出現與否，不關心某條記錄購買了幾次，如購買十盒牛奶也只計一次。資料記錄的所有項的集合稱為總項集，上表中的總項集 s 關聯規則 就是有關聯的規則，形式是這樣定義的 兩個不相交的非空集合x y，如果有 x...
Apriori 關聯規則演算法
關聯規則通過量化的數字描述物品甲的出現對物品乙的出現有多大的影響。它的模式屬於描述型模式，發現關聯規則的演算法屬於無監督學習的方法。其實是一種事物相關性的 通過對比支援度，進行剪枝，將支援度高的分支留下，繼續探尋關聯，直到再沒有高於最小支援度為止。應用場景比較廣泛，購物籃資料，醫療診斷，科學資料分析...