Apriori算法

Apriori算法是一种用于关联规则挖掘（Association rule mining）的代表性算法
关联规则是形如 X→YX→Y 的蕴涵表达式，其中XX和YY是不相交的项集，即 X∩Y=∅X∩Y=∅。关联规则的强度可以用它的支持度（support）和置信度（confidence）来度量。支持度确定规则可以用于给定数据集的频繁程度，而置信度确定YY在包含XX的交易中出现的频繁程度。支持度和置信度这两种度量的形式定义如下：

例如：给出数据

可以求出规则{Milk, Diaper}→{Beer}的支持度和置信度：

期望置信度（Expected confidence）：通俗解释为在没有任何条件影响时，A在B中出现的概率有多大。
实例说明：如果某天共有1000 个顾客到商场购买物品，其中有250 个顾客购买了圆珠笔，则期望置信度就是25 ％。
概率描述：物品集A对物品集B的期望置信度为support（B）=P（B）

提升度（lift）：提升度是置信度与期望置信度的比值
通俗解释：提升度反映了“物品集A的出现”对物品集B的出现概率发生了多大的变化。
实例说明：上述的关联规则的提升度=65%/25%=2.6
概率描述：物品集A对物品集B的期望置信度为lift（A==>B）=confidence（A==>B）/support(B)=p(B|A)/p(B)

参考：https://blog.csdn.net/baimafujinji/article/details/53456931
https://www.cnblogs.com/nxld/p/6380417.html