apriori算法案例

Apriori算法是一种经典的关联规则挖掘算法，用于发现数据集中的频繁项集和关联规则。下面我将通过一个简单的例子来介绍Apriori算法的基本流程。

假设我们有以下交易数据集：

| 交易ID | 购买商品 |
|--------|----------|
| 1 | A, B, C |
| 2 | A, C |
| 3 | B, C |
| 4 | A, B |
| 5 | A, C |

我们的目标是找到频繁项集和关联规则。

1. 第一步是扫描整个数据集，统计每个商品的支持度（出现的次数），并筛选出支持度不小于设定阈值（比如3）的商品，得到1-项集：

| 商品 | 支持度 |
|------|--------|
| A | 4 |
| B | 3 |
| C | 4 |

2. 第二步是根据1-项集，依次生成2-项集：

| 商品 | 支持度 |
|-------------|--------|
| A, B | 2 |
| A, C | 3 |
| B, C | 3 |

3. 第三步是根据2-项集，依次生成3-项集：

| 商品 | 支持度 |
|-------------|--------|
| A, B, C | 2 |

4. 经过上述步骤，我们得到了所有频繁项集，接下来我们可以根据频繁项集，生成关联规则。设定最小置信度为0.6，即只保留置信度不小于0.6的关联规则，我们得到以下关联规则：

| 关联规则 | 支持度 | 置信度 |
|-------------|--------|--------|
| A => C | 3 | 0.75 |
| C => A | 3 | 1.0 |
| B => C | 3 | 1.0 |
| C => B | 3 | 0.75 |
| A, C => B | 2 | 0.67 |
| B, C => A | 2 | 0.67 |

这些关联规则告诉我们，比如如果顾客购买了商品A和C，那么他们也很可能会购买商品B。