考虑事务数据集 data_set = [['面包','牛奶'], ['面包','尿布','啤酒','鸡蛋'], ['牛奶','尿布','啤酒','可乐'], ['面包','牛奶','尿布','啤酒'], ['面包','牛奶','尿布','啤酒']] （2）定义最小支持度，编写程序得到候选项集并生成频繁项集 （3）定义最小置信度，编写程序提取符合要求的关联规则

（2）根据 Apriori 算法，我们需要先生成候选项集，再通过筛选得到频繁项集。

首先，我们需要定义最小支持度，假设最小支持度为 2，即出现次数大于等于 2 次的项集才是频繁项集。然后，我们可以按照以下步骤来生成候选项集和频繁项集：

1. 生成 1-项集，即每个物品作为一个项集。
C1 = [['面包'], ['牛奶'], ['尿布'], ['啤酒'], ['鸡蛋'], ['可乐']]
2. 根据 1-项集生成 2-项集。
C2 = [['面包', '牛奶'], ['面包', '尿布'], ['面包', '啤酒'], ['牛奶', '尿布'], ['牛奶', '啤酒'], ['尿布', '啤酒']]
3. 根据上一步的结果生成 3-项集。
C3 = [['面包', '牛奶', '尿布'], ['面包', '牛奶', '啤酒'], ['面包', '尿布', '啤酒'], ['牛奶', '尿布', '啤酒']]
4. 根据上一步的结果生成 4-项集。
C4 = [['面包', '牛奶', '尿布', '啤酒']]
5. 对每个候选项集统计其出现次数，筛选出满足最小支持度的频繁项集。
L1 = [['面包'], ['牛奶'], ['尿布'], ['啤酒']]
L2 = [['面包', '牛奶'], ['面包', '尿布'], ['面包', '啤酒'], ['牛奶', '尿布'], ['牛奶', '啤酒'], ['尿布', '啤酒']]
L3 = [['面包', '牛奶', '尿布'], ['面包', '牛奶', '啤酒'], ['面包', '尿布', '啤酒'], ['牛奶', '尿布', '啤酒']]
L4 = [['面包', '牛奶', '尿布', '啤酒']]

（3）定义最小置信度，假设最小置信度为 0.7，即置信度大于等于 0.7 的关联规则才是强关联规则。我们可以按照以下步骤来提取符合要求的关联规则：

1. 对于每个频繁项集，生成其所有非空子集。
对于 L3，其非空子集为 {['面包', '牛奶'], ['面包', '尿布'], ['面包', '啤酒'], ['牛奶', '尿布'], ['牛奶', '啤酒'], ['尿布', '啤酒'], ['面包', '牛奶', '尿布'], ['面包', '牛奶', '啤酒'], ['面包', '尿布', '啤酒'], ['牛奶', '尿布', '啤酒']}
2. 对于每个非空子集，计算其关联规则的置信度，并筛选出满足最小置信度要求的强关联规则。
以 {['面包', '牛奶'], ['面包', '尿布'], ['面包', '啤酒'], ['牛奶', '尿布'], ['牛奶', '啤酒'], ['尿布', '啤酒'], ['面包', '牛奶', '尿布'], ['面包', '牛奶', '啤酒'], ['面包', '尿布', '啤酒'], ['牛奶', '尿布', '啤酒']} 中的一个非空子集 {['面包', '牛奶', '尿布']} 作为例子，其关联规则为 {'面包', '牛奶'} -> {'尿布'}，计算置信度的公式为 support(['面包', '牛奶', '尿布', '尿布']) / support(['面包', '牛奶'])，其中 support 表示支持度。根据我们之前计算出的频繁项集，可得 support(['面包', '牛奶', '尿布', '尿布']) = 3，support(['面包', '牛奶']) = 4，故置信度为 0.75，大于最小置信度要求，因此该关联规则为强关联规则。

综上，我们得到了最终的强关联规则：{'面包', '牛奶'} -> {'尿布'}，{'面包', '尿布'} -> {'牛奶'}，{'面包', '啤酒'} -> {'牛奶'}，{'牛奶', '啤酒'} -> {'面包'}，{'尿布', '啤酒'} -> {'牛奶'}，{'面包', '牛奶'} -> {'尿布', '啤酒'}，{'面包', '尿布'} -> {'牛奶', '啤酒'}，{'面包', '啤酒'} -> {'牛奶', '尿布'}。