关联分析（二）

满足最小支持度和最小置信度的规则，叫做“强关联规则”。然而，强关联规则里，也分有效的强关联规则和无效的强关联规则。

如果Lift(X→Y)>1，则规则“X→Y”是有效的强关联规则。
如果Lift(X→Y) <=1，则规则“X→Y”是无效的强关联规则。

关联规则的结果分类：

  可行的规则（可实际操作）
  平凡的规则（规则显而易见，不够有用）
  令人费解的规则（可实施性的原因不明确）

关联规则挖掘过程主要包含两个阶段：

第一阶段必须先从资料集合中找出所有的高频项目组(Frequent Itemsets)；

第二阶段再由这些高频项目组中产生关联规则(Association Rules)。

关联规则挖掘的相关算法

1.Apriori算法：使用候选项集找频繁项集

Apriori算法核心是基于两阶段频集思想的递推算法。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法。

可能产生大量的候选集,以及可能需要重复扫描数据库，是Apriori算法的两大缺点。