Apriori算法是很多数据挖掘算法的基础，很多算法都以此算法为基础。
该算法的目的是找到数据集中的频繁项集，以及这些项集之间的关联规则。
频繁项集是指那些经常出现在一起的集合。
1.Apriori算法的基本标准
频繁项集中最重要的标准是支持度和可信度。
支持度被定义为数据集中包含该项集的记录所占的比例。通俗来讲，支持度就是这一项集占总共项集的百分比。
可信度是针对一条关联规则定义的，例如尿布>葡萄酒；这条规则的可信度被定义为“支持度（{尿布，葡萄酒}）/ 支持度（{尿布}）”，用符号表示就是：
X对于Y的置信度，Confidence(X⇐Y)=P(X|Y)=P(XY)/P(Y)
举例来说，（豆奶，尿布）的支持度为百分之十，同时购买尿布和豆奶的人只有百分之十，豆奶对于尿布的置信度为百分之50，意思就是，在购买尿布的人中，有百分之五十也购买了豆奶。（后对前）
2.Apriori算法的基本原理
原理是说如果某个项集是频繁的，那么他的所有子集也是频繁的。反过来更有用，也即是说一个子集是非频繁的，那么他的所有超集也一定是非频繁的。
该算法发现频繁集的方法如下：
首先生成所有单个物品的项集，扫描每个项集的支持度，把小于最小支持度的项集去掉；
然后对剩下来的集合进行组合生成比上一项多一个元素的项集，重新扫描每个项集的支持度，去掉不满足的；
重复执行上述步骤，直到所有项集都去掉（或者是：直到无法找到频繁k+1项集为止，对应的频繁k项集的集合即为算法的输出结果）。
可以参考如下例子：
在重新组合生成k+1个元素的时候，采用一种方法，是将前k-2个项相同时，才将两个集合合并原因是：
k-2
当利用{0，1}、{0，2}、{1，2}创建时，如果将每两个合并就会得到同样结果的集合，若只对k-2=1，第一个元素相同的集合求并，则只有一次操作，确保了遍历次数最少。
发现关联规则的方法：
计算所有关联规则的置信度，设置阈值，筛选规则。
例如从项集{0，1，2，3}产生的所有关联规则，灰色部分代表小于某一可信度的项集，可以直接去掉。
类似于频繁集的规则，假设规则0，1，2 --> 3不满足最小可信度，则以3作为后件的规则可信度也会较低。而且任何以（0，1，2）为子集的左部也不会满足最小可信度。