先决条件：Apriori算法和频繁项集挖掘
由Apriori算法生成的频繁项集的数量通常可能非常大，因此，确定一个较小的代表集可以从中得出每个频繁项集是有益的。一种这样的方法是使用最大频繁项集。
最大频繁项目集t是其立即超集都不频繁的频繁项目集。为了说明这个概念，请考虑以下示例：
支持计数显示在每个节点的左上角。假设支持计数阈值= 50％ ，即每个项目必须在2个或更多事务中发生。基于该阈值，频繁项集为：a，b，c，d，ab，ac和ad(阴影节点)。
在这7个频繁项集中，有3个被标识为最大频繁项(具有红色轮廓)：
- ab ：即时超集abc和abd很少出现。
- ac ：即时超集abc和acd很少出现。
- ad ：立即超集abd和acd很少出现。
其余的4个频繁节点(a，b，c和d)不能成为最大频繁节点，因为它们都具有至少1个频繁的立即超集。
优势：
最大频繁项集提供了特定数据集的所有频繁项集的紧凑表示。在上面的示例中，所有频繁项集都是最大频繁项集的子集，因为我们可以通过枚举ab，ac和ad的子集(包括最大频繁项集本身)来获得集合a，b，c，d。
缺点：
最大频繁项集的支持计数不提供有关其子集的支持计数的任何信息。这意味着需要额外遍历数据来确定非最大频繁项目集的支持计数，这在某些情况下可能是不希望的。