【关联规则】利用Apriori算法寻找D中的频繁项集

算法作用：寻求哪些因素之间是强相关的

3、假设现有如下表所示的一个事务数据库，数据库中有10个事务，即|D|=10。假定最小支持度minsupport=20%，最小置信度minconfidence=65%，利用Apriori算法寻找D中的频繁项集，并由找到的频繁项集产生强关联规则。

其主要思路如下图所示：

算法流程：

1. 首先对数据库中进行一次扫描，统计每一个项出现的次数，形成候选1-项集；
2. 根据minsupport阈值筛选出频繁1-项集；
3. 重复上述流程，直到候选项集为空；

最小支持度决定了 每一步哪些项会被舍弃。（即这边共有10项，如果每一步小于2的话就会被舍弃）

TID	项列表
T1 T2 T3 T4 T5 T6 T7 T8 T9 T10	I1，I2，I5 I1，I2 I2，I4 I1，I2，I4 I1，I3 I1，I2，I3，I5 I1，I2，I3 I2，I5 I2，I3，I4 I3，I4

解：minsupport=20%

minconfidence=65%

For{I1,I2,I3}:

Confidence(I1I3->I2) =2/3=66.6%>65%

Confidence(I2I3->I1) =2/3=66.6%>65%

这一步置信度怎么理解？

置信度（A–>B）= 同时包含A和B的元组数/包含A的元组数

例子与计算方法（以此类推）

I1I3->l2，即同时包含I2，  底数为I1  I3的总和

我们可以从下边的表看到，总共有3项满足 I1 I3 同时出现，其中两项里边有I2,而标红的这个里边没有I2,所以  是 2/3

TID	项列表
T1 T2 T3 T4 T5 T6 T7 T8 T9 T10	I1，I2，I5 I1，I2 I2，I4 I1，I2，I4 I1，I3 I1，I2，I3，I5 I1，I2，I3 I2，I5 I2，I3，I4 I3，I4

For{I1,I2,I5}:

Confidence(I1I5->I2) =2/2=100%>65%

Confidence(I2I5->I1) =2/3=66.6%>65%

Confidence(I5->I1,I2) =2/3=66.6%>65%