关联规则（以购物篮为例）
支持度：规则前项LHS和规则后项RHS所包含的商品同时出现的概率，LHS和RHS的商品交易次数/总交易次数。
support(A=>B)=P(AUB)
置信度：在所有的购买了左边商品的交易中，同时又购买了右边商品的交易机率，包含规则两边商品的交易次数/包括规则左边商品的交易次数。
confidence(A=>B)=P(B|A)=support(AUB) / support(A)
提升度：（有这个规则和没有这个规则是否概率会提升，规则是否有价值）：无任何约束的情况下买后项的交易次数/置信度。提升度必须大于1才有意义。
lift(A,B)=P(AUB)/P(A)P(B)
关联规则的挖掘一般分为两步：
（1）找出频繁项集
（2）由频繁项产生强关联规则
【Apriori算法】逐层搜索的迭代算法。通过扫描数据库累计每个项的计数，并收集满足最小支持度的项，找出频繁 i 项集合，记为Li。
【提高Apriori的效率】
（1）基于散列的技术，散列项集到对应的桶中
（2）事物压缩，压缩进一步迭代扫描的事物数。
（3）抽样，对给定数据的一个子集进行挖掘
（4）动态项集计数，在扫描的不同点添加候选项集
挖掘频繁项集的模式增长方法（FP-growth）
（1）将代表频繁项集的数据库压缩到一棵频繁模式树（FP-树），该树任然保留项集的关联信息。
（2）把压缩后的数据库划分成一组条件数据库（一种特殊类型的投影数据库），每个数据库关联一个频繁项或“模式段”，并分别挖掘每个条件数据库。
模式评估方法：
（1）提升度
（2）卡方
（3）全置信度
all_conf(A,B)=sup(AUB)/max{sup(A),sup(B)}=min{P(A|B),P(B|A)}
（4）最大置信度
max_conf(A,B)=max{sup(A),sup(B)}
（5）kulczynski
kulc(A,B)=1/2(P(A|B)+P(B|A))
（6）余弦
cosine(A,B)=P(AUB)/(（P(A)*P(B)）^1/2)=sup(AUB)/(（sup(A)*sup(B)）^1/2)
【高级模式挖掘】
-----多层关联规则
------多维关联规则
------量化关联规则
-----稀有模式和负模式
【基于约束的频繁项挖掘】
【挖掘高维数据和巨型模式】
【挖掘压缩或近似模式】
----通过模式聚类挖掘压缩模式
-----提取感知冗余的top-k模式
挖掘top-k个最频繁模式是一种减少挖掘返回的模式数量的策略。
