1基本概念

頻繁模式挖掘搜尋給定資料集中反覆出現的聯絡。

典型例子：購物籃分析 該過程通過發現顧客放入他們購物籃中的商品之中的關聯，分析顧客的購物習慣。
關聯規則（association rule） ： A => B[support = ?% ; confidence = ?%]
規則的支援度和置信度是規則興趣度的兩種度量。

2 頻繁項集、閉項集和關聯規則

規則 A=>B 具有支援度 s = support(A=>B) = P(A U B)
規則 A=>B 具有置信度 c = confidence(A=>B) = p (B | A)

頻繁項集 : 當項集K 的相對支援度 support(A=>B) 滿足 預定義的最小支援度閾值，則項集K是頻繁項集。

閉項集:當項集K 不存在超項集 Y 使其具有相同的支援度。則項集K在資料集D中是閉頻繁項集。

極大頻繁項集(極大項集) : 項集K頻繁的，且不存在超項集 Y 在資料集D中是頻繁的，則K是極大頻繁項集

3 頻繁項集挖掘方法

1. Apriori演算法 : 通過限制候選產生髮現頻繁項集。
   原理: 逐層搜尋的迭代方法 利用K項集 去 探索 K+1 項集。沒找出一個頻繁項集 Li 需要一次資料庫的完整掃描

先驗規則：頻繁項集的所有沒空子集一定是頻繁的。

舉例 由L1 找到 L2

步驟(1) 連線步:

通過L1與自身連線 產生候選K項集的集合。該集合為Ck。 設l1、l2 是L1中的項集，記號 li[j]表示 li的第j項。
為了有效地實現Apriori演算法假定事務或項集中的項按字典序排序。

步驟(2) 剪枝步: