1.简单来说-关联规则

关联规则–通过量化的数字描述物品甲的出现 对 物品乙的出现 有多大影响。

最早是为了发现超市销售数据库中不同的商品之间的关联关系：哪组商品可能会在一次购物中同时购买。

广泛应用于–购物篮数据，生物信息学，医疗诊断，网页挖掘和科学数据分析。

关联规则举例：

1. 购买面包的用户很有可能会购买牛奶，$面包\ge 牛奶$，面包为前项，牛奶为后项。面包降价销售，适当提高牛奶的售价。这一关联规则，可能会增加超市的整体利润。

2. “啤酒与尿布”–最常听到的例子

关联规则分析： 找出数据集中各项之间的关联关系。
发现关联规则的算法 为 无监督学习算法–Apriori,Eclat,FP-Tree,灰色关联法

2.经典关联规则挖掘-Apriori

Apriori–挖掘频繁项集，核心思想：通过连接产生候选项与其支持度，通过剪枝生成频繁项集。

基本概念：

1. 关联规则的支持度–项集A和B同时发生的概率：$p(A\cap B)$
2. 关联规则的置信度–项集A发生，则项集B发生的概率：$p(B|A)$
3. 最小支持度/最小置信度–一条规则有效的最小阈值，专家确定。
4. 项集–包含项目的集合{牛奶，麦片，糖}是一个三项集
5. 支持度计数：事物集中包含项目集A的事物的个数。

依据公式计算相应的概率就可以了，就是概念的理解。