apriori演算法包含兩部分內容：1，發現頻繁項集 2，挖掘關聯規則。
通俗地解釋一下，就是這個意思：1.發現哪些專案常常同時出現 2.挖掘這些常常出現的專案是否存在「如果a那麼b」的關係。
舉個例子：**購物訂單常常會出現這樣一種情況：那就是某幾種物品常常一起買。比如鍋和鏟子、手機和手機殼等就會常常出現在同乙個訂單中，因此挖掘出哪些專案常常同時出現就是1中的問題。再進一步，對於這些常常出現的頻繁項集，如果能挖掘出「若a則b」的更強關係，那就更好了。比如買了手機的常常會再買個手機殼，但是反過來不成立。
發現頻繁項集最直觀的想法，就是想辦法對所有的專案進行全組合，也就是產生2n種，然後對這些不同的種類挨個計算出現最頻繁的組合。但是這種方法的搜尋空間太大，速度非常慢。apriori定理可以很大程度上縮小搜尋空間，其內容是：任一頻繁項集的所有非空子集也必須是頻繁的，也就是說，任何乙個非頻繁項集的超集一定也是非頻繁項集。這樣就可以直接刪除所有包含非頻繁項集的集合，很大程度上減少了搜尋空間。
挖掘關聯規則是以頻繁項集為基礎的。假設我們已經找到了幾個頻繁項集，現在要找到其中是否蘊含「若a則b」的因果關係。
要想計算是否存在因果關係，很直觀的想法就是計算條件概率p(b|a)，看看在a條件下b的概率是否足夠高。
假設項集有a，b。
有了上述的鋪墊，現在引入術語定義：
支援度(support)：p(ab)，a和b同時出現概率。越大越頻繁。
置信度(confidence)：p(b|a)，條件概率。越大說明因果越強。
提公升度(lift)：p(b|a)/p(b)，有a這個條件和沒有a這個條件時，b出現的概率之比。
機器學習 演算法 Apriori
參考 很多人都喜歡用 啤酒跟尿布 這個例子來比喻機器學習，主要就是想說明apriori在挖掘物件關聯的重要作用，這個演算法很簡單，沒有涉及複雜的數學知識，一點邏輯而已，還有改進的apriori演算法，有時間我也會實現一下 簡單實現了一下apriori，直接上python 和結果 coding utf...
機器學習演算法 之Apriori
apriori演算法不同於以前接觸過的機器學習演算法，這種演算法用於在資料集中尋找有趣的關係。這些關係可以有兩種形式 頻繁項集或者關聯規則。關於演算法的詳細介紹參見 def apriori dataset,minsupport 0.5 c1 createc1 dataset d map set,da...
機器學習演算法（九） Apriori演算法
apriori演算法是一種關聯分析方法，用於發現隱藏在大型資料集中有意義的聯絡。所發現的聯絡可以使用關聯規則和頻繁項集來表示。令i 是購物籃資料所有項的集合，而t 是所有事務的集合。每個事務ti 包含的項集都是i的子集。在關聯分析中，包含0個或多個項的集合被稱為項集。如果乙個項集包含k個項，則稱它為...