Apriori算法

Apriori算法是挖掘最简单频繁模式的方法（单维度，单层，布尔频繁项集）。介绍算法前先介绍两个概念Support和Confidence翻译成中文就是支持度和置信度（两个值都是百分数），我在这里举个例子让大家理解这两个概念：假设有10个球，白色的球有3个，那么白球的支持度就是30%，而置信度则类似于概率里面的概念P(A|B)  。下面就开始介绍算法：

该算法的目的就是挖掘频繁模式所以会有一个support的阀值，低于这个繁阀值的集合就会被抛弃。该算法时前验算法（整个算法最关键的地方就是利用：一个频繁模式的任意一个子集也是频繁项集，换句话说就是只有子集是频繁项集那么才有探索的价值）

（频繁模式内的类型按照某种顺序排序）

第一次扫描获取每个类型的Support,将Support低于阀值的删去（就是去枝:删除没有价值的部分）

     下面是循环执行：

              1.连接：简单的来说就是从原本含有k个元素的频繁模式拓展到含k+1个元素的频繁模式，那么我们的任务就是让添加的这个元素是让k个元素的频繁模式拓展成功的最有可能的元素。我们反过来考虑如果已经拓展成功假设原来的频繁模式是a1,a2,...ak拓展后增加了a(k+1)，那么在k的频繁项集中必然有a1,a2,a3....a(k-1),a(k+1)。那么最有效的选择就是将前k-1个元素都相同的频繁模式进行合并这样我们就完成了连接

              2.去枝：连接完成不代表着这个模式就是频繁模式，我们现在要做的就是扫描事务表判断是否是频繁模式。如果不是就把该模式删除

建议：Support和Confidence这两个概念比较重要，而Apriori算法其实就是就是一个简单的前验算法，主要是如何来提高效率