Apriori关联规则算法；Apriori算法基本思想；Apriori核心思想及基本过程

Apriori算法是第一个关联规则挖掘算法，也是最经典的算法。它利用逐层搜索的迭代方法找出数据库中项集的关系，以形成规则，其过程由连接（类矩阵运算）与剪枝（去掉那些没必要的中间结果）组成。该算法中项集的概念即为项的集合。包含K个项的集合为k项集。项集出现的频率是包含项集的事务数，称为项集的频率。如果某项集满足最小支持度，则称它为频繁项集

• 频繁项集：找出频繁一起出现的物品集的集合
• 支持度：一个项集的支持度被定义为数据集中包含该项集的记录所占的比例；
  支持度 = （包含物品A的记录数量） / （总的记录数量
  
• 置信度体现了一个数据出现后，另一个数据出现的概率，或者说数据的条件概率。
  
  图片来源https://www.cnblogs.com/pinard/p/6293298.html

关联规则基本思想

1. 找出所有频繁项集：找出支持度大于最小支持度的项集，即频繁项集
2. 由频繁项集产生关联规则：这些规则必须满足最小支持度和最小可信度
3. 算法核心思想：
   频繁项集的非空子集一定也是频繁的

算法基本过程

• 算法命名源于算法使用了频繁项集性质的先验知识
• 算法的基本过程：
  1. 生成候选集:找出候选集，即有可能成为频繁集的项集
  2. 生成频繁项集：生成通过数据库扫描筛选出满足条件的候选集形成又一层频繁集
     （频繁项集的子集也一定是频繁项集）例如：如果{A,B}是频繁集，则{A}{B}也一定是频繁集
  3. 生成关联规则：用得到的频繁集生成强关联规则。
• Apriori算法中候选集生成步骤：
  1. 自连接Lk-1
     
  2. 修剪
     .

算法总结

Aprior算法是一个很经典的频繁项集的挖掘算法，很多算法都是基于Aprior算法而产生的，包括FP-Tree,GSP, CBA等。这些算法利用了Aprior算法的思想，但是对算法做了改进，数据挖掘效率更好一些，因此现在一般很少直接用Aprior算法来挖掘数据了，但是理解Aprior算法是理解其它Aprior类算法的前提，同时算法本身也不复杂，因此值得好好研究一番。