Apriori算法学习（一）

Apriori核心算法过程如下：

1. 扫描数据集合计算出各个1项集的支持度，得 到频繁1项集的集合。
2. 连接，由2个只有一个项不同的属于的频集做一 个（k-2）JOIN运算得到的。
3. 剪枝，由于是的超集，所以可能有些元素不是频繁的。在 潜在k项集的某个子集不是中的成员是，则该潜在频繁项集不可能是频繁的可以从中移去。
4. 通过 单趟扫描数据集合，计算中各个项集的支持度，将中不满足支持度的项集去掉形成。

　　通过迭代循环，重复步骤2～4，直到有某个r值使得为空，这时算法停止。在剪枝步中的每个元 素需在交易数据库中进行验证来决定其是否加入，这里的验证过程 是算法性能的一个瓶颈。这个方法要求多次扫描可能很大的交易数据库。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。

　　目前，几乎所有高效的发现关联规则的并行数据挖掘算法都是基于Apriori算法 的，Agrawal和Shafer 提出了三种并行算法：计数分发（Count Distribution）算法、数据分发（Data Distribution）算法和候选分发（Candidate Distribute）算法。