先决条件–数据集中的频繁项目设置(关联规则挖掘)
R. Agrawal和R. Srikant在1994年提出了Apriori算法，用于在数据集中查找布尔关联规则的频繁项集。该算法的名称为Apriori，因为它使用了频繁项集属性的先验知识。我们应用迭代方法或逐级搜索，其中使用k个频繁项集来查找k + 1个项集。
为了提高按级别生成频繁项集的效率，使用了一个称为Apriori属性的重要属性，该属性有助于减少搜索空间。
Apriori物业–
频繁项目集的所有非空子集必须是频繁的。 Apriori算法的关键概念是支持度量的反单调性。 Apriori假设
All subsets of a frequent itemset must be frequent(Apriori propertry).
If an itemset is infrequent, all its supersets will be infrequent.
在我们开始理解算法之前，请仔细阅读一些定义，这些定义在我之前的文章中已经进行了解释。
考虑以下数据集，我们将发现频繁的项目集并为其生成关联规则。
最小支持数是2
最低置信度为60％
步骤1： K = 1
(I)创建一个表，该表包含数据集中存在的每个项目的支持计数–称为C1(候选集)
(II)将候选集项目的支持计数与最小支持数进行比较(如果候选集项目的support_count小于min_support，则在此处min_support = 2，然后删除这些项)。这给我们项集L1。
步骤2： K = 2
- 使用L1生成候选集C2(这称为加入步骤)。连接L k-1和L k-1的条件是，它应该具有共同的(K-2)个元素。
- 检查项目集的所有子集是否频繁使用，如果不频繁，则删除该项目集。({I1，I2}的示例子集是{I1}，{I2}它们是经常使用的。检查每个项目集)
- 现在，通过在数据集中搜索来找到这些项目集的支持计数。
(II)将候选(C2)支持数与最小支持数进行比较(此处，如果候选集项目的support_count小于min_support，则min_support = 2，然后删除那些项)，这便得到了项集L2。
步骤3：
- 使用L2生成候选集C3(加入步骤)。连接L k-1和L k-1的条件是，它应该具有共同的(K-2)个元素。因此，在这里，对于L2，第一个元素应该匹配。
因此，通过加入L2生成的项目集为{I1，I2，I3} {I1，I2，I5} {I1，I3，i5} {I2，I3，I4} {I2，I4，I5} {I2，I3，I5} - 检查这些项目集的所有子集是否频繁出现，如果不是，则删除该项目集。(此处{I1，I2，I3}的子集为{I1，I2}，{I2，I3}，{I1，I3}对于{I2，I3，I4}，子集{I3，I4}不频繁，因此将其删除。类似地检查每个项目集)
- 通过在数据集中搜索来查找这些剩余项目集的支持计数。
(II)将候选(C3)支持数与最小支持数进行比较(此处，如果候选集项目的support_count小于min_support，则min_support = 2，然后删除那些项)，这便得到了项集L3。
第四步：
- 使用L3生成候选集C4(加入步骤)。连接L k-1和L k-1 (K = 4)的条件是，它们应具有(K-2)个共同的元素。因此，在这里，对于L3，前两个元素(项目)应该匹配。
- 检查这些项目集的所有子集是否频繁(此处通过加入L3形成的项目集为{I1，I2，I3，I5}，因此其子集包含{I1，I3，I5}，这是不频繁的)。因此，C4中没有项目集
- 我们在这里停止，因为没有进一步找到频繁的项目集
因此，我们发现了所有常见的项目集。现在，强大的关联规则的产生开始显现出来。为此，我们需要计算每个规则的置信度。
置信度 –
60％的置信度意味着60％的购买牛奶和面包的顾客也购买了黄油。Confidence(A->B)=Support_count(A∪B)/Support_count(A)因此，在这里，以任何频繁出现的项目集为例，我们将展示规则的生成。
项目集{I1，I2，I3} //来自L3
所以规则可以是
[I1 ^ I2] => [I3] //置信度= sup(I1 ^ I2 ^ I3)/ sup(I1 ^ I2)= 2/4 * 100 = 50％
[I1 ^ I3] => [I2] //置信度= sup(I1 ^ I2 ^ I3)/ sup(I1 ^ I3)= 2/4 * 100 = 50％
[I2 ^ I3] => [I1] //置信度= sup(I1 ^ I2 ^ I3)/ sup(I2 ^ I3)= 2/4 * 100 = 50％
[I1] => [I2 ^ I3] //置信度= sup(I1 ^ I2 ^ I3)/ sup(I1)= 2/6 * 100 = 33％
[I2] => [I1 ^ I3] //置信度= sup(I1 ^ I2 ^ I3)/ sup(I2)= 2/7 * 100 = 28％
[I3] => [I1 ^ I2] //置信度= sup(I1 ^ I2 ^ I3)/ sup(I3)= 2/6 * 100 = 33％因此，如果最小置信度为50％，则可以将前3个规则视为强关联规则。
Apriori算法的局限性
Apriori算法可能很慢。主要限制是持有大量具有频繁项目集，最低支持量较低或大型项目集的候选集所需的时间，即，对于大量数据集而言，这不是一种有效的方法。例如，如果频繁的1个项目集中有10 ^ 4个，则需要生成2个长度以上的10 ^ 7个以上的候选项，然后依次对它们进行测试和累积。此外，为了检测大小为100的频繁模式，即v1，v2…v100，它必须生成2 ^ 100个候选项目集，这些候选项目集产生的成本高昂且浪费了候选生成时间。因此，它将从候选项目集中检查许多集合，还将重复扫描数据库多次以查找候选项目集。当内存容量受大量事务限制时，Apriori将非常低且效率低下。 [来源：https：//arxiv.org/pdf/1403.3948.pdf] - 使用L2生成候选集C3(加入步骤)。连接L k-1和L k-1的条件是，它应该具有共同的(K-2)个元素。因此，在这里，对于L2，第一个元素应该匹配。