频繁项集挖掘方法——Apriori算法

案例：小张是超市的销售经理，安排超市物品的分布格局的小张的重要任务，超市老总建议他根据以往顾客的购买习惯，将集中购买的商品比如乒乓球和乒乓球拍放到同一区域以方便用户购买或者同一货架两端以带动货架中间商品比如乒乓球拍清洁用品的销量，小张该怎么办？这时候频繁模式和关联规则就是小张想要的数据挖掘方法。
1 基本概念
频繁模式(frequent pattern)是频繁地出现在数据集中的模式（如项集、子序列或子结构）项集就是项的集合，项集、子序列、子结构三个名词不需要理解的太高大上通俗言之就是数学中的子集。
关联规则(association rule)项之间关联的紧密程度，以实例来理解：
购买乒乓球也趋向于同时购买乒乓球拍，可以用以下关联规则表示：
乒乓球→乒乓球拍[支持度(support)=2%；置信度(confidence)=60%]
乒乓球和乒乓球拍被同时购买的有2%，购买乒乓球的顾客60%也购买了乒乓球拍
在关联规则中如果满足你设置的最小支持度阈值和最小置信度阈值，则这个关联规则就是你所需要的。同时满足最小支持度阈值和最小置信度阈值的规则称为强规则。
支持度support（A→B）=P（A∪B）
置信度confidence（A→B）=P（B｜A）=support（A∪B）/ support（A）=support_count（A∪B）/support_count（A） 
频繁项集(frequent itemset)：如果项集I的相对支持度满足预定义的最小支持阈值（即I的绝对支持度满足对应的支持度计数阈值），则I是频繁项集。
项的集合称为项集，包含k个项的项集称为k项集。频繁k项集的集合记为Lk

待续……