#1、Apriori
算法介绍
Apriori 算法，解决了单纬度、单层次、bool 频繁频繁项集。是1994年由 R.Agrawal 和 R.Srikant 提出的。
算法过程
算法思想可以用一句话来描述，按照频繁模式的项集个数分层，采用宽度优先的方式，逐层搜索频繁模式，例如首先搜索1项集的频繁模式，然后利用1项集的结果，将结果之间连接，在 k=2 的层次上搜索，即 k 项集的频繁模式由k-1项集的频繁模式计算而来，我们称之为基于先验知识
性质：
按照上面的介绍，实际上这种算法的时间复杂度是很高的，所以我们必须对算法进行优化，这里我们通过观察，会发现一个很有用的性质：
* 频繁项集的所有非空子集也必须是频繁的 *
根据定义，所有项集 I 不满足最小支持度阀值 min_sup，则 I 不是频繁的，即 P(I) < min_sup, 若将 A 添加到项集 I 中，其中 A 不属于 I，则 P(I U A) = P(A) * P(I) < P(I) << min_sup。上述性质称为 Apriori 性质，这类性质称之为反单调性
步骤
我们将整个算法分为两个步骤：
* 连接：为了找到 L(k) ,通过将 L(K-1)与自身连接产生候选 k 项集。改候选项集记作
优化
*剪枝，利用 Apriori 性质
反单调性，若 I 不是频繁项集，则 I 的超集必然也不是频繁项集
*利用散列表
在扫描 L(k-1)的时候，利用散列表计算出 C(k)的支持度
*压缩事物
利用 Apriori 算法的性质，不包含频繁项集的事物可以不再扫描
*划分
将事物数据库数据划分，计算局部的频繁项集
#2、FP增长
将数据库压缩到 FP 树，，利用前缀
#3、垂直数据格式算法
将水平食物数据库数据垂直化
#4、相关分析
##出现原因：
负相关，产生误导关联
##检测方法
###提升度
lift(A,B) = P(A U B) / (P(A) * P(B))
###χ2度量
χ2 = Sum((观测值-期望值)^2 / 期望值)
###全置信度
all_conf(X) = sup(X) / max_item_sup(X)
== confidence of i => X - i (i 为 X 中的一个项)
##可简单推导出来
###余弦定理
cosine(A, B) = P(A U B) / Sqrt(P(A) * P(B))
一种好的策略是，先进行全置信度或者余弦分析，并且当结果显示他们是弱相关时，进行其他分析，以帮助得到更完整的描述