维基百科的文章并不是特别令人印象深刻。您可能会发现这些幻灯片更有帮助：1、2、3。

在每个级别，您都有频繁的项目集（有足够的支持）。 $k$$k$

在下一个级别，您需要考虑 +这是先验属性：频繁项集的任何子集都必须是频繁的。$k$$1$

因此，如果您在级别 2 知道集合、、和是唯一具有足够支持的集合，那么在第 3 级，您将它们相互连接以产生，，和 但您只需要进一步考虑：其他每个都有支持不足的子集（例如或）。$\{1,2\}$$\{1,3\}$$\{1,5\}$$\{3,5\}$$\{1,2,3\}$$\{1,2,5\}$$\{1,3,5\}$$\{2,3,5\}$$\{1,3,5\}$$\{2,3\}$$\{2,5\}$

Apriori算法是一种用于数据挖掘的关联规则挖掘算法。它用于在给定数量的事务中找到频繁项集。

它基本上包括两个步骤

1. 自加入
2. 修剪

重复这些步骤 k 次，其中 k 是项目数，在最后一次迭代中，您将获得包含 k 个项目的频繁项目集。

在此处查看带有详细示例的非常简单的解释http://nikhilvithlani.blogspot.com/2012/03/apriori-algorithm-for-data-mining-made.html。

它有一个简单的解释，没有任何复杂的方程式。

Apriori 简单的英语。

Apriori 采用称为逐层搜索的迭代方法，其中k- itemsets用于探索(k+1)-itemsets。首先，通过扫描数据库以累积每个项目的计数，并收集满足最小支持的那些项目，找到频繁1-项目集的集合。结果集表示为L1。接下来，L1 用于查找L2，即频繁2 项集的集合，用于查找 L3，以此类推，直到找不到更多的频繁k 项集。每个 Lk 的发现都需要对数据库进行一次全面扫描。

在最后一次迭代中，您最终会得到许多k-itemset，它们基本上称为关联规则。为了从所有可能的规则集中选择有趣的规则，应用了各种约束措施，例如支持度和置信度。

术语和术语

• 1-itemsets 表示 {a} , {b} , {c}
• 2-itemsets 表示 {a, b} , {d, d} , {a, c}
• K-itemsets 表示 {i1, i2, i3,... ik}, {j1, j2, j3, .... jk}

加入步骤：意味着 1-itemset 与自身连接以生成 2-itemset。

修剪步骤：这里从连接得到的结果集是用最小支持阈值过滤的。

基数集：修剪步骤的结果集。

支持= 包含“a”和“b”的交易数量/交易总数。

支持 => supp(a,b) => p(a U b)

自信= 包含“a”和“b”的交易数量/包含“a”的交易数量。

Confident => con (a, b) == > P (b|a) 只不过是条件概率。