關(guān)聯(lián)規(guī)則（以購物籃為例）
支持度：規(guī)則前項LHS和規(guī)則后項RHS所包含的商品同時出現(xiàn)的概率娘锁，LHS和RHS的商品交易次數(shù)/總交易次數(shù)。
support(A=>B)=P(AUB)
置信度：在所有的購買了左邊商品的交易中间雀，同時又購買了右邊商品的交易機(jī)率镊屎，包含規(guī)則兩邊商品的交易次數(shù)/包括規(guī)則左邊商品的交易次數(shù)。
confidence(A=>B)=P(B|A)=support(AUB) / support(A)
提升度：（有這個規(guī)則和沒有這個規(guī)則是否概率會提升匪煌，規(guī)則是否有價值）：無任何約束的情況下買后項的交易次數(shù)/置信度党巾。提升度必須大于1才有意義。
lift(A,B)=P(AUB)/P(A)P(B)
關(guān)聯(lián)規(guī)則的挖掘一般分為兩步：
（1）找出頻繁項集
（2）由頻繁項產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則
????????【Apriori算法】逐層搜索的迭代算法驳规。通過掃描數(shù)據(jù)庫累計每個項的計數(shù)署海，并收集滿足最小支持度的項，找出頻繁 i 項集合砸狞，記為Li。
????????【提高Apriori的效率】
（1）基于散列的技術(shù)踱启，散列項集到對應(yīng)的桶中
（2）事物壓縮研底，壓縮進(jìn)一步迭代掃描的事物數(shù)。
（3）抽樣冠蒋，對給定數(shù)據(jù)的一個子集進(jìn)行挖掘
（4）動態(tài)項集計數(shù)乾胶，在掃描的不同點添加候選項集
挖掘頻繁項集的模式增長方法（FP-growth）
（1）將代表頻繁項集的數(shù)據(jù)庫壓縮到一棵頻繁模式樹（FP-樹）朽寞，該樹任然保留項集的關(guān)聯(lián)信息斩郎。
（2）把壓縮后的數(shù)據(jù)庫劃分成一組條件數(shù)據(jù)庫（一種特殊類型的投影數(shù)據(jù)庫），每個數(shù)據(jù)庫關(guān)聯(lián)一個頻繁項或“模式段”吨掌，并分別挖掘每個條件數(shù)據(jù)庫脓恕。
模式評估方法：
（1）提升度
（2）卡方
（3）全置信度
all_conf(A,B)=sup(AUB)/max{sup(A),sup(B)}=min{P(A|B),P(B|A)}
（4）最大置信度
max_conf(A,B)=max{sup(A),sup(B)}
（5）kulczynski
kulc(A,B)=1/2(P(A|B)+P(B|A))
（6）余弦
cosine(A,B)=P(AUB)/(（P(A)*P(B)）^1/2)=sup(AUB)/(（sup(A)*sup(B)）^1/2)
【高級模式挖掘】
-----多層關(guān)聯(lián)規(guī)則
------多維關(guān)聯(lián)規(guī)則
------量化關(guān)聯(lián)規(guī)則
-----稀有模式和負(fù)模式
【基于約束的頻繁項挖掘】
【挖掘高維數(shù)據(jù)和巨型模式】
【挖掘壓縮或近似模式】
----通過模式聚類挖掘壓縮模式
-----提取感知冗余的top-k模式
? ? ? ?挖掘top-k個最頻繁模式是一種減少挖掘返回的模式數(shù)量的策略炼幔。
