算法常见：
运用于推荐商品。
关联规则：
简单举例->
市场购物篮分析的结果是一组指定商品之间关系模式的关联规
则。
• 一个典型的规则可以表述为： {花生酱，果冻} –> {面包}
• 这个关联规则用通俗易懂的语言来表达就是：如果购买了花生
酱和果冻，那么也很有可能会购买面包。
支持度和置信度
一个项集或者规则度量法的支持度是指其在数据中出现的频率
置信度是指该规则的预测能力或者准确度的度量
Apriori算法
Apriori原则指的是一个频繁项集的所有子集，也必须是频繁的，
如果｛A,B｝是频繁的，那么｛A｝和｛B｝都必须是频繁的
根据定义，支持度表示一个项集出现在数据中的频率，因此，如果知道｛A｝
不满足所期望的支持度，那么就没必要考虑｛A,B｝或者任何满足包含{A}的项集
，这些项集绝对不可能是频繁的。
图表理解
BE出现的支持度为3/4 ,
那么在BE出现的支持度下再出现C的概率结果为：
p(C)=p(BEC)/P(BE)=1/2 / 3/4=2/3 也就是置信度p(BE->C)=2/3
实现步骤：
Apriori 算法是一种最有影响的挖掘布尔关联规则频繁项集的算法 Apriori 使用一种称作逐层搜索的迭代方法，“ K-1 项集”用于搜索“ K 项集”。
首先，找出频繁“ 1 项集”的集合，该集合记作 L1 。 L1 用于找频繁“ 2 项集”的集合 L2 ，而 L2 用于找 L3 。如此下去，直到不能找到“ K 项集”。找每个 Lk 都需要一次 数据库 扫描。
核心思想是：连接步和剪枝步。连接步是自连接，原则是保证前 k-2 项相同 ，并按照字典顺序连接。剪枝步，是使任一频繁项集的所有非空子集也必须是频繁的。反之，如果某
个候选的非空子集不是频繁的，那么该候选肯定不是频繁的，从而可以将其从 CK 中删除。
简单的讲，
1 、 发现频繁项集，过程为（ 1 ）扫描（ 2 ）计数（ 3 ）比较（ 4 ）产生频繁项集（ 5 ）连接、剪枝，产生候选项集 重复步骤（ 1 ） ~ （ 5 ）直到不能发现更大的频集
2 、 产生关联规则，过程为:根据前面提到的置信度的定义，关联规则的产生如下：
（ 1 ）对于每个频繁项集 L ，产生 L 的所有非空子集；
（ 2 ）对于 L 的每个非空子集 S ，如果
P （ L ） /P （ S ）≧ min_conf
则输出规则“ S à L-S ”
