一句话
关联分析（关联规则学习): 从大规模数据集中寻找物品间的隐含关系被称作 关联分析(associati analysis) 或者 关联规则学习（association rule learning）
一张图
解释一下这张图：
在关联规则Aprioir算法中，有两个很重要的概念，分别是频繁项集（frequent item sets），关联规则（associational rules），它们是用来描述隐含关系的形式。
频繁项集（frequent item sets）: 经常出现在一块的物品的集合。
关联规则（associational rules）: 暗示两种物品之间可能存在很强的关系。
那么 频繁 的定义是什么呢？怎么样才算频繁呢？度量它们的方法有很多种，这里我们来简单的介绍下支持度和可信度。
支持度: 数据集中包含该项集的记录所占的比例。例如上图中，{豆奶} 的支持度为 4/5。{豆奶, 尿布} 的支持度为 3/5。
可信度: 针对一条诸如 {尿布} -> {葡萄酒} 这样具体的关联规则来定义的。这条规则的 可信度 被定义为 支持度({尿布, 葡萄酒})/支持度({尿布})，从图中可以看出 支持度({尿布, 葡萄酒}) = 3/5，支持度({尿布}) = 4/5，所以 {尿布} -> {葡萄酒} 的可信度 = 3/5 / 4/5 = 3/4 = 0.75。
举个栗子呗
还是上面的那个尿布和葡萄酒的栗子，让我们仔细的看一下它的关联规则的发现过程（Aprioir）
过程1：寻找k项频繁集
我们规定最小支持度为0.3
L1为1项频繁集，可以从图中看出它的计算过程为：
P(豆奶)=豆奶出现的次数订单总数量 P ( 豆 奶 ) = 豆 奶 出 现 的 次 数 订 单 总 数 量
L2为2项频繁集，从L1中选择候选者（去除了小于最小支持度的数据），计算过程为：
P(豆奶，莴苣)=豆奶，莴苣共同出现的次数订单总数量 P ( 豆 奶 ， 莴 苣 ) = 豆 奶 ， 莴 苣 共 同 出 现 的 次 数 订 单 总 数 量
同理可以推出L3
过程2：发现关联规则
这里举一个例子说明，买了尿布的人也会继续买葡萄酒的规则，支持度为0.6（前面已经算出），那么它的置信度计算过程为：
P(尿布−−>葡萄酒)=尿布，葡萄酒同时出现的概率尿布出现的概率=P(葡萄酒|尿布) P ( 尿 布 − − > 葡 萄 酒 ) = 尿 布 ， 葡 萄 酒 同 时 出 现 的 概 率 尿 布 出 现 的 概 率 = P ( 葡 萄 酒 | 尿 布 )
以上就是Aprioir关联规则算法的整体思路啦！！！
如果觉得《一句话+一张图——说清楚Aprioir关联规则算法》对你有帮助，请点赞、收藏，并留下你的观点哦！
