关联规则

关联规则(Association Rules)反映一个事物与其他事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。关联规则分析是数据挖掘中最活跃的研究方法之一,其中一个典型例子是购物篮(Market Basket)分析。通过发现顾客购物篮中的不同商品之间的联系，分析顾客的购买习惯，了解哪些商品频繁地被顾客同时购买，以帮助零售商制定营销策略。那么，对于超市，我们可以优化产品的位置摆放，价目表设计、商品促销等，对于电商，我们可以优化商品所在的仓库位置，达到节约成本，增加经济效益的目的。

• 应用案例：

    1、  “67%的顾客在购买啤酒的同时也会购买尿布”，因此通过合理的啤酒和尿布的货架摆放或捆绑销售可提高超市的服务质量和效益。    2、  某网上书店向用户推荐相关书籍。    3、  “《C语言》课程优秀的同学，在学习《数据结构》时为优秀的可能性达88%”，那么就可以通过强化《C语言》的学习来提高教学效果。    4、  在保险业务方面，如果出现了不常见的索赔要求组合，则可能为欺诈，需要作进一步的调查；    5、  在医疗方面，可找出可能的治疗组合；    6、  在银行方面，对顾客进行分析，可以推荐感兴趣的服务等等。

• 常用的关联规则算法如下表所示：

算法名称	算法描述
Apriori	关联规则最常用也是最经典的挖掘频繁项集的算法，其核心思想是通过连接产生候选项集，再经过剪枝、支持度的比较生成频繁项集。
FP-Tree	针对Apriori算法的多次扫描事务数据集的缺陷，导致时间复杂度大，提出了不产生候选项集的方法FP-Tree(也称FP-Growth算法)。
Eclat算法	Eclat算法是一种深度优先算法，采用垂直数据表示形式，在概念格理论的基础上利用基于前缀的等价关系将搜索空间划分为较小的子空间。

Apriori算法

例子

Apriori算法总结