基礎知識：
| 用戶 | 薯片(A) | 可樂(B) | 鉛筆(C) | 羽毛球(D) | 洗衣液(E) |
| 1 | √ | √ | √ | ||
| 2 | √ | √ | √ | √ | |
| 3 | √ | √ | √ | ||
| 4 | √ | √ | √ | ||
| 5 | √ | √ |
支持度：單個項占總項集的百分比，比如薯片的支持度=4/5*100%=80%，可樂的支持度=3/5*100%=60%。
置信度：薯片=>羽毛球的置信度=3/4*100%=75%，可樂=>羽毛球的置信度=3/3*100%=100%。
一、Apriori算法
假設minsupport=0.2，得出頻繁項集：
1）1-項集C1={A，B，C，D，E}，1-頻繁項集L1={A，B，C，D}；
2）1-頻繁項集進行拼接得到2-項集C2={(A,B)，(A,C)，(A,D)，(B,C)，(B,D)，(C,D)}，2-頻繁項集L2={(A,B)，(A,C)，(A,D)，(B,D)，(C,D)}
3）2-頻繁項集拼接得到3-項集C3={(A,B,C)，(A,B,D)，(A,C,D)，(B,C,D)}，3-頻繁項集L3={(A,B,D)}
4）最后得到所有的頻繁項目集L={(A,B)，(A,C)，(A,D)，(B,D)，(C,D)，(A,B,D)}
假設minconfidence=60%，得出關聯規則：
我們這里僅僅對最大的頻繁項集(B,C,D)進行計算，得出其中是否有強關聯規則：
B=>CD，confidence=33%，不是強關聯規則；BC=>D，confidence=100%，強關聯規則；
C=>BD，confidence=33%，不是強關聯規則；CD=>B，confidence=50%，不是強關聯規則；
D=>BC，confidence=25%，不是強關聯規則；BD=>C，confidence=33%，不是強關聯規則。
二、FP-Tree算法
1）我們仍然選用上面的例子，用戶1：ABD，用戶2：ACDE，用戶3：ABD，用戶4：BCD，用戶5：AC
第一次掃描數據對1-項集進行計數：
2）建立FP-Tree
至此，我們完成對FP-Tree的構建。
3）FP-Tree獲取頻繁項集
由節點從下到上依次獲取頻繁項：
其實上述中{(C,D)}的FP-Tree分別出現了2次，我們可得出其為頻繁2-項集，則有C的到的頻繁項2-項集：{(A,C)，(C,D)}；
節點D
綜上可知，所有的頻繁項為：{(A,B)，(A,C)，(A,D)，(B,D)，(C,D)，(A,B,D)}。