apriori演算法用於解決大規模資料集的關聯分析問題。關聯分析（association analysis）或關聯規則學習（association rule learning）是從大規模資料集中尋找物品間的隱含關係。但是，尋找物品的不同組合是一項十分耗時的任務，計算代價高，蠻力搜尋並不能解決問題，所以需要更智慧型的方法在合理時間範圍內找到頻繁項集。apriori演算法就是解決這個問題的。
關聯分析是一種在大規模資料集中尋找有趣關係的任務。這些關係可以有兩種形式：（1）頻繁項集，（2）關聯規則。
頻繁項集：是經常出現在一塊的物品的集合。
量化方法：支援度（support）。支援度是資料集中包含該項集的記錄所佔的比例。例如資料集[[1, 3, 4], [2, 3, 5], [1, 2, 3], [2, 5]]中，項集的支援度為3/4，項集的支援度為1/2。
關聯規則：暗示兩種物品之間可能存在很強的關係。
量化計算：可信度或置信度（confidence）。可信度是針對一條關聯規則（如-->）來定義的。-->這條規則的可信度為「支援度/支援度」，即2/3，意味著包含的所有記錄中2/3符合規則包含。
無論頻繁項集還是關聯規則都需要計算支援度。如果資料量小，計算乙個項集的支援度可以針對每個項集掃瞄所有資料，然後統計該項集出現的總數除以總的交易記錄數，就可以得到支援度。但是對於n個物品的資料集共有2n-1中項集組合，即使4個物品也需要遍歷資料集15次，100種物品有
apriori演算法可以降低計算時間，減少可能感興趣的項集。
apriori原理：如果某個項集是頻繁的，那麼它的所有子集也是頻繁的。如若是頻繁的，那麼、也一定是頻繁的。反過來同樣，如果乙個項集是非頻繁集，那麼它的所有超集也是非頻繁的。如若是非頻繁的，那麼、、也是非頻繁項。所以如果計算出的支援度是非頻繁的，那麼、、的支援度就不用計算了。
apriori原理可以避免項集數目的指數增長，從而在合理時間內計算出頻繁項集。
apriori演算法流程：
1）首先，基於資料集生成個數為1的項集的列表c1；
2）根據頻繁項集函式，計算c1中各元素的支援度，去掉不滿足最小支援度的元素，生成滿足最小支援度的頻繁項集列表l1；
3）根據建立候選項集函式，基於l1生成k=2的候選項集列表c2；
4）根據頻繁項集函式，基於c2生成滿足最小支援度的k=2的頻繁項集列表l2；
5）增加k的值，重複3）、4）生成lk，直到lk為空時，返回l列表，l包含l1、l2、l3...
以下是建立候選項集函式及解釋。
至於為什麼是比較前k-2個元素呢，一般初始項集個數為1，由k=1的項集生成k=2的項集。所以k的初始值也為2。如果要生成個數為k的項集，則比較前k-2項，如果相等合併，正好比較的項各剩下1個不相等的元素，這樣合併後個數就為k-2+1+1=k項。（以下是舉例推導過程，忽略c2經過濾後生成l2，直接將c2視為l2，相當於支援度為0）
比較前k-2個元素，可以減少遍歷列表的次數。比如想利用、、來建立三元素項集，如果將每兩個集合合併，就會得到、、。同樣的結果結合會重複3次，還需要處理以得到非重複結果。現在只比較第k-2=1個元素，第1個元素相同才合併集合，得到，只有一次操作，這樣就不需要遍歷列表來尋找非重複值。
首先從乙個頻繁項集開始，接著建立乙個規則列表，其中規則右部只包含乙個元素，然後對這些規則進行測試。接下來合併所有剩餘規則來建立乙個新的規則列表，其中規則右部包含兩個元素。這種方法也被稱作分級法。【待續】
通俗tarjan演算法講解
全網最詳細tarjan演算法講解，我不敢說別的。反正其他tarjan演算法講解，我看了半天才看懂。我寫的這個，讀完一遍，發現原來tarjan這麼簡單！tarjan演算法，乙個關於 圖的聯通性的神奇演算法。基於dfs 迪法師 演算法，深度優先搜尋一張有向圖。注意！是有向圖。根據樹，堆疊，打標記等種種神...
python中Apriori演算法實現講解
1.apriori演算法簡介 apriori演算法是挖掘布林關聯規則頻繁項集的演算法。apriori演算法利用頻繁項集性質的先驗知識，通過逐層搜尋的迭代方法，即將k 項集用於探察 k 1 項集，來窮盡資料集中的所有頻繁項集。先找到頻繁項集1 項集集合l1，然後用l1找到頻繁2 項集集合l2，接著用l...
svm通俗講解 SVM通俗講解
svm support vector machine 支援向量機相關理論介紹 基於資料的機器學習是現代智慧型技術中的重要方面，研究從觀測資料 樣本 出發尋找規律，利用這些規律對未來資料或無法觀測的資料進行 迄今為止，關於機器學習還沒有一種被共同接受的理論框架，關於其實現方法 大致可以分為 三種 3 ...