项目集 ：项的集合，记为 I 。牛奶，面包，苹果， etc 事 务 ：事务 T 是 I 中的一组项目的集合，每个事务都有个一个 TID 作为标识符号。 项目集 X 的支持度 Sup(X)=Count(X)/|D| 关联规则 X-Y 的支持度 Sup(X-Y)=Count(X-Y)/|D| 关联规则 X-Y 的置信度 Conf
项目集：项的集合，记为I。牛奶，面包，苹果，etc
事 务：事务T是I中的一组项目的集合，每个事务都有个一个TID作为标识符号。
项目集X的支持度
Sup(X)=Count(X)/|D|
关联规则X->Y的支持度
Sup(X->Y)=Count(X->Y)/|D|
关联规则X->Y的置信度
Conf(X->Y)=Count( X->Y)/Count(X)
步骤：
1 找出所有频繁项集
2 有频繁项集产生强关联规则
算法之Apriori算法
核心思想
频繁1-项集then关联规则then剪枝
then频繁2-项集then关联规则then剪枝
then频繁3-项集then关联规则then剪枝
……
重复此过程直到做不下去为止
算法实现 以后单独写出
改进措施 FP(Frequent Pattern Growth) 频繁模式增长
多层关联规则
基本思想：
自顶向下，在每个概念层找寻频繁项集。然后①在该层发掘关联规则②适当剪枝，向下进入更具体的一层。
可选方案：
1 使用一致的最小支持度
2使用递减的最小支持度
3 逐层独立
4 层交叉单项过滤
5 曾交叉k-项集过滤
多维关联规则
涉及两个或者多个维的关联规则
e.g． age(X, “IBM desktop computer”)^occupation(“drive”r)=>buys(X, ”laptop”)
多维关联规则注意
强关联规则不一定是有趣的。比如，
buys(X, “computer games”)=>buys(X, “videos”) [Support=40%, confidence= 66%]
推导出来的结果可能是满足支持度和置信度的，但是却不是有趣的。
因为可能实际上不购买computer games而去购买video的人有75%，而同时购买了computer games和videos的人只有66%，说明其实computer games和videos是负相关。