Apriori参数

1.         car     如果设为真，则会挖掘类关联规则而不是全局关联规则

2.         classindex  类属性索引。如果设置为-1，最后的属性被当作类属性

3.         delta   以此数值为迭代递减单位。不断减小支持度直至达到最小支持度或产生了满足数量要求的规则

4.         lowerBoundMinSupport 最小支持度下界

5.         metricType  度量类型。设置对规则进行排序的度量依据。可以是：置信度（类关联规则只能用置信度挖掘），提升度（lift），杠杆率(leverage),置信度（conviction）。

6.         在weka中设置了几个类似置信度(conviction)的度量来衡量规则的关联程度，它们分别是：

l         a)Lift: P(A,B)/(P(A)P(B)) Lift=1时表示A和B独立。这个数越大（>1），越表明A和B存在于一个购物篮中不是偶然现象，有较强的关联度

l         b)leverage: p(A,B)-P(A)P(B)

leverage=0时A和B独立，Leverage越大A和B的关系越密切。

l         c)Conviction:P(A)P(!B)/P(A,!B) (!B表示B没有发生) conviction 也是用来衡量A和B得独立性。从它和lift的关系（对B取反，代入Lift公式后求倒数）可以看出，这个值越大，A、B越关联

7.         minMtric 度量的最小值。

8.         numRules  要发现的规则数。

9.         outputItemSets 如果设置为真，会在结果中输出项集

10.     removeAllMissingCols  移除全部为缺省值的列

11.     significanceLevel 重要程度。重要性测试（仅用于置信度）

12.     upperBoundMinSupport 最小支持度上界。从这个值开始迭代减小最小支持度

13.     verbose 如果设置为真，则算法会以冗余模式运行