Apriori算法 (Introduction to data mining)
前置概念：
Support : 支持度 s(X->Y) =(XUY)/N;
Confidence : 置信度 c(X->Y) =(XUY)/(X);
Frequent ItemSet : 频繁项集 Support >minSup;
Apriori Principle : 若某项集被标记为频繁，则该项集中所有可能的子项集也都满足这一条件。
Frequent Itemset Generation in the AprioriAlgorithm:
Apriori算法最初提出了一个有效的关联规则挖掘方法，并首次将支持度剪枝策略应用于候选集管理中。该算法成功地减少了候选项集合的增长速度，并且显著提升了计算效率。
Ck代表k候选项集, Fk代表频繁k项集
1 算法首先遍历一遍数据集，检测每项的支持度，获取频繁1-项集。Steps (1-2)
2 接下来，循环使用频繁(k-1)-项集派生k-候选项集。Step (5)
3 遍历数据集计算候选项集支持度Steps (6-10)
4 计算支持度后，消除非频繁项集Step (12)
5 当没有新的频繁项集产生的时候，算法结束Step(13)
Frequent itemset generation of the AprioriAlgorithm.
Rule generation:
如果一个规则X \rightarrow Y - X不满足置信度阈值，则所有包含于X的子集X' \rightarrow Y - X'也均不满足该阈值。
Rule generation of the Apriori algorithm.
Procedure ap-genrules(f k, Hm).
总结：
核心思想: 基于两阶段频繁项集，挖掘关联规则
算法优点: 简单、易理解、数据要求低
算法缺点: I/O负载大，产生过多的候选项集
**
**
Apriori例题（Introduction to data mining）：
**
**
**
**
(b)16/32=50%
(c)11/32=34.4%
(d)5/32=15.6%