还是借用啤酒与尿布的故事
| 订单TID | 购买的内容Items |
| T1 | {牛奶,面包} |
| T2 | {面包,尿布,啤酒,鸡蛋} |
| T3 | {牛奶,尿布,啤酒,可乐} |
| T4 | {面包,牛奶,尿布,啤酒} |
| T5 | {面包,牛奶,尿布,可乐} |
所谓关联规则就是有关联的规则，比如上图中买了啤酒的同时也买尿布，{啤酒}-->{尿布}（X->Y）就是一条关联规则。那么这条规则的强度如何呢？比如说如果买啤酒的人里面只有1%的人同时买了尿布，这样的话似乎这个规则就不算准确了。那么如果买啤酒的人100%都会买尿布，是不是就算很强的规则呢？也不尽然，比如在这10000次购买中，只有一个人买了啤酒，虽然买啤酒的人100%买了尿布，但是毕竟就一次购买，所以也算不得多么有效。这两项指标便是confidence和support。
confidence 指的是 这两项在同一条记录中同时出现的次数/集合中X（啤酒）出现的次数 上例中 3/4 = 75%
confidence（A==>B）=P（A|B）
可信度是准确性的衡量，够买啤酒的用户有多少购买了尿布。
support 指的是 这两项在同一条记录中同时出现的次数/记录的总个数 上例中 3/5 = 60%
support（A==>B）=P（A n B）
支持度是重要性的衡量，在所有的事物中占多大的代表性。
除此之外还有一个Lift指标
Lift 指的是 含有x的条件下，同时含有y的概率/y总体发生的概率比 上例中 75%/(4/5) = 93.75%
lift（A==>B）=confidence（A==>B）/support(B)=p(B|A)/p(B)
首先找出频繁集(frequent itemset)。所谓频繁集指满足最小支持度或置信度的集合。其次从频繁集中找出强规则(strong rules)。强规则指既满足最小支持度又满足最小置信度的规则。