关联规则挖掘是从数据集中发现项与项（item 与 item）之间的关系
关联规则中的几个重要的概念
1.支持度：某个商品组合出现的次数与总次数之间的比例。
2.置信度：指购买了商品A，会有多大的概率购买B。
3.提升度：指商品A的出现，对商品B的出现概率提升的程度
提升度 (A→B)= 置信度 (A→B)/ 支持度 (B)
用来衡量 A 出现的情况下，是否会对 B 出现的概率有所提升。
所以提升度有三种可能：
提升度 (A→B)>1：代表有提升；
提升度 (A→B)=1：代表有没有提升，也没有下降；
提升度 (A→B)<1：代表有下降。
Apriori的工作原理
Apriori算法就是查找频繁项集的过程。
频繁项集：支持度大于等于最小支持度阀值的项集。
项集：指的是单个商品或者商品的组合。
最小支持度：可以我们人为定义。
Apriori 算法的递归流程：
K=1，计算 K 项集的支持度；
筛选掉小于最小支持度的项集；
如果项集为空，则对应 K-1 项集的结果为最终结果。
否则 K=K+1，重复 1-3 步。
Apriori 算法的缺点：
1.可能产生大量的候选集。因为采用排列组合的方式，把可能的项集都组合出来了；
2.每次计算都需要重新扫描数据集，来计算每个项集的支持度。
Apriori 算法的改进算法：FP-Growth算法
特点：
1.创建了一棵 FP 树来存储频繁项集。在创建前对不满足最小支持度的项进行删除，减少了存储空间。
2.整个生成过程只遍历数据集 2 次，大大减少了计算量。
FP-Growth算法原理：
1.创建项头表
2.构造FP树
3.通过FP树挖掘频繁项集