python apriori算法 sklearn_sklearn(九)apriori 关联规则算法,以及FP-growth 算法

是什么：

apriori算法是第一个关联规则挖掘算法，利用逐层搜索的迭代方法找出数据库中的项集(项的集合)的关系，以形成规则，其过程由连接(类矩阵运算)与剪枝(去掉没必要的中间结果)组成。是一种挖掘关联规则的频繁项集算法，一种最有影响的挖掘布尔关联规则频繁项集的算法。核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。

关联规则挖掘，在最早提出时，是为了发现交易数据库中不同商品之间的联系规则。刻画顾客购买行为模型，指导商家科学地进行进货，库存以及货架设计等。

改进的算法有：并行关联规则挖掘Parallel Association Rule Mining，以及数量关联规则挖掘Quantitive Association Rule Mining。提高挖掘规则算法的效率，适应性，可用性以及应用推荐。

频繁项集的评估标准：支持度，置信度，提升度三个方面。

应用领域：在商业，网络安全广泛使用。通过对数据的关联性进行了分析和挖掘，挖掘出的这些信息在决策制定过程中具有重要的参考价值。

在消费市场价格分析中，能够很快求出各种产品之间的价格关系和它们之间的影响，可以瞄准目标客户，采用个人股票行市，最新细心，特殊的市场推广活动或其他的一些特殊信息手段，减少广告预算和增加收入。预测客户的消费习惯。

相关概念：

支持度：a和b同时出现的概率，或者是几个关联的数据在数据集中出现的次数占总数据集的比重。

置信度：a和b同时出现的概率占a出现概率的比值，或者是一个数据出现后，另一个数据出现的概率，或者说数据的条件