（8）关联规则

    关联规则主要去学习不同物体之间的联系。每个物体称之为一个项，有关联的物体组成一个项集。一般假设X为先决条件，Y为相应的关联结果。而关联性的强度通过支持度、置信度和提升度来评价。

    支持度表示项集中同时含有XY的概率，衡量所考察关联规则在量上的多少，通过设定最小阈值剔除出镜率小得到无意义规则，保留出现较为平凡的规则。

    置信度表示在先决条件X发生的条件下，关联Y发生的概率。衡量关联规则在质上的可靠性。通过阈值进行筛选。而提升度则是置信度除以支持度。计算规则为？

    常用的关联规则算法有Apriori算法和FPGrowth算法。

（1）Apriori算法

（2）FPGrowth算法

        FPGrowth （频繁模式增长）算法。其分治策略是：将频繁项集的数据库压缩到一棵频繁模式树（FP树），但任保留项集关联信息。与Apriori算法最大的不同是，该算法不产生候选集，只需要两次遍历数据库，提高了算法效率。

        首先构造FP树：扫描事务数据库，收集频繁项的集合和他们的支持度，并按照支持度的大小排序。得到结果频繁项表。顺序构建FP树。

        计算时分别统计频繁项和频繁集项。使用类为

        val model  = new FPGrowth().

                                    setMinSupport(XXX).

                                    setNumpartitions(XXX).

                                    run(example).

        最后将关联集项分别输出。