我們是通過算法來找到數據之間的關聯規則（兩個物品之間可能存在很強的相關關系）和頻繁項集（經常出現在一起的物品的集合）。
我們是通過支持度和置信度來定義關聯規則和頻繁項集的
一個項集支持度是指在所有數據集中出現這個項集的概率，項集可能只包含一個選項，也有可能是多個選項的組合。
置信度 針對於啤酒——>尿布這樣的關聯規則來定義，計算方式為支持度（啤酒，尿布）/支持度啤酒，其中支持度（啤酒、尿布）為3/5，支持度啤酒為4/5，所以他的置信度為3/4，即置信度為75%，這意味着在啤酒的規則中，有0.75的規則都適用。
但是在這樣的規則中，如果需要求出所有規則，那么計算量比較大，這就可以用到 Apriori算法
Apriori 的原理：如果某個項集是頻繁項集，那么它所有的非空子集也是頻繁的（先驗原理）。即如果 {0,1} 是頻繁的，那么 {0}, {1} 也一定是頻繁的。反過來能發現如果一個項集是非頻繁的，那么它的所有超集也是非頻繁的。這樣就不用計算他的支持度了，可以減少計算量。
計算步驟為：
先會生成所有單個物品的項集列表， 掃描交易記錄來查看哪些項集滿足最小支持度要求（一般會給一個最小支持度），那些不滿足最小支持度的集合會被去掉，對剩下的集合進行組合以生成包含兩個元素的項集，接下來重新掃描交易記錄，去掉不滿足最小支持度的項集，重復進行直到所有項集都被去掉。
提高Apriori算法的效率
1、基於散列的技術
當掃描數據庫中的每個事務時，由C1中的候選頻繁項集1項集產生頻繁項集1項集L1時，可以對每個事務產生所有的2項集，將他們散列（映射）到散列表中的不同桶中，並增加對應的桶計數。在散列表中，對應桶計數低於支持度閾值的2項集不可能是頻繁的，可以刪除掉。
2、事物壓縮
不包含任何頻繁項集的K項集的事務不可能包含任何頻繁（K+1）項集。這種事務在之后的考慮時，可以被標記或者刪除，因為產生的j項集（j>K） 的數據庫掃描不再需要他們。
3、划分
包含兩個階段，第一階段，算法把D中的事務分成n個非重疊的分區，如果D中事務的最小相對支持度閾值為p，則每個分區的最小支持度為p乘該分區中的事務數。對每個分區，找到所有的局部頻繁項集。 階段二是，再次掃描D，評估每個候選的實際支持度，以確定全局頻繁項集。
4、抽樣
選取給你定數據庫D中的隨機樣本S，然后在S而不再D中搜索頻繁項集。
5、動態項集技術