普通英语的Apriori算法？

我阅读了有关Apriori的Wiki文章。我在理解修剪和加入步骤时遇到了麻烦。谁能用简单的术语解释我Apriori算法的工作原理（这样像我这样的新手都可以轻松理解）？

如果有人解释其中涉及的逐步过程，那将是很好的。

在维基百科的文章并不特别令人印象深刻。您可能会发现这些幻灯片更有帮助：1，2，3。

在每个级别 $k$， 你有 $k$-频繁的项目集（有足够的支持）。

在下一级别， $k$+$1$您需要考虑的-item集必须具有其每个子集必须频繁（具有足够支持）的属性。这是apriori属性：频繁项目集的任何子集都必须是频繁的。

因此，如果您在第2级知道 $\{1,2\}$， $\{1,3\}$， $\{1,5\}$ 和 $\{3,5\}$ 是仅有的具有足够支持的布景，然后在第3级将它们彼此结合以产生 $\{1,2,3\}$， $\{1,2,5\}$， $\{1,3,5\}$ 和 $\{2,3,5\}$ 但是你只需要考虑 $\{1,3,5\}$ 进一步：其他每个都具有不足的支持子集（例如 $\{2,3\}$ 要么 $\{2,5\}$ ）。

Apriori算法是用于数据挖掘的关联规则挖掘算法。它用于在给定数量的交易中查找频繁项集。

它基本上包括两个步骤

1. 自我加入
2. 修剪

重复这些步骤k次，其中k是项目数，在上一次迭代中，您将获得包含k个项目的频繁项目集。

请在此处查找非常简单的说明，并提供详细示例http://nikhilvithlani.blogspot.com/2012/03/apriori-algorithm-for-data-mining-made.html。

它的解释简单，没有任何复杂的方程式。

Apriori用简单的英语。

Apriori采用称为“逐级搜索”的迭代方法，其中使用k个项目集探索（k + 1）个项目集。首先，通过扫描数据库以累积每个项目的计数，然后收集满足最小支持的那些项目，来找到一组频繁的1个项目集。结果集表示为L1。接下来，使用L1查找L2，这是一组频繁的2个项目集，该集合用于查找L3，依此类推，直到找不到更多的频繁k个项目集。找到每个Lk要求对数据库进行一次完整扫描。

在最后一次迭代中，您将获得许多k-itemsets，基本上称为关联规则。为了从所有可能的规则集中选择有趣的规则，可以应用各种约束措施，例如支持和置信度。

术语和术语

• 1个项目集表示{a}，{b}，{c}
• 2个项目集表示{a，b}，{d，d}，{a，c}
• K个项集表示{i1，i2，i3，... ik}，{j1，j2，j3，.... jk}

联接步骤：意味着使1-itemset与自身进行自我联接以生成2-itemset。

修剪步骤：此处以最小支持阈值过滤来自连接的结果集。

基数集：修剪步骤的结果集。

支持 =包含“ a”和“ b”的交易数量/交易总数。

支持=> supp（a，b）=> p（a U b）

置信 =包含“ a”和“ b”的交易数量/包含“ a”的交易数量。

有信心=> con（a，b）==> P（b | a）只不过是条件概率。