挖掘频繁模式、关联和相关性：基本概念和方法数据库
频繁模式（frequent pattern）是频繁地出如今数据集中的模式（如项集、子序列或子结构）。ide
例如，频繁地同时出如今交易数据集中的商品（如牛奶和面包）的集合是频繁项集。布局
一个子序列，如首先购买PC，而后是数码相机，再后是内存卡，若是它频繁地出如今购物历史数据库中，则称它为一个（频繁地）序列模式。spa
一个子结构可能涉及不一样的结构形式，如子图、子树或子格，它可能与项集或子序列结合在一块儿。若是一个子结构频繁地出现，则称它为（频繁的）结构模式。设计
对于挖掘数据之间的关联、相关性和许多其余有趣的联系，发现这种频繁模式起着相当重要的做用。此外，它对数据分类、聚类和其余数据挖掘任务也有帮助。事务
1.基本概念
频繁模式挖掘搜索给定数据集中反复出现的联系。内存
1.1购物篮分析
频繁项集挖掘的一个典型例子是购物篮分析。该过程经过发现顾客购买过商品之间的联系，分析顾客的购物习惯。这种关联能够帮助零售商了解哪些商品频繁地被顾客同时购买，从而帮助他们制定更好的营销策略。ci
分析结果能够帮助设计不一样的商店布局。it
一种策略是：常常同时购买的商品能够摆放近一些，以便进一步刺激这些商品同时销售。数据挖掘
另外一种策略：把同时购买的商品摆放在商店两端，可能诱发买这些商品的顾客一路挑选其余商品。
购物篮分析也能够帮助零售商规划什么商品降价出售。若是顾客趋向于同时购买计算机和打印机，则打印机的降价出售可能既促使购买打印机，又促使购买计算机。
每种商品有一个布尔变量，表示该商品是否出现。每一个购物篮能够使用一个布尔向量表示。能够分析布尔向量，获得反映商品频繁关联或同事购买的购买模式。这些模式能够用关联规则（association rule）的形式表示。
购买计算机也趋向于购买杀毒软件，能够使用如下关联规则表示：
Computer => antivirus_software[support = 2%; confidence = 60%]
关联规则的支持度为2%，意味着所分析的全部事务的2%显示计算机和杀毒软件被同事购买。
置信度60%意味着购买计算机的顾客60%也购买了杀毒软件
规则的支持度（support）和置信度（confidence）是规则兴趣度的两种度量。它们分别反映所发现规则的有用性和肯定性。若是关联规则知足最小支持度阈值和最小置信度阈值。这些阈值能够由用户或领域专家设定。
1.2频繁项集、闭项集和关联规则
设I = {I1, I2, I3, ... , Im}是项的集合。设任务相关的数据D是数据库事务的集合，其中每一个事务T是一个非空项集，使得 T ⊆ I。每一个事务都有一个标识符，称为TID。设A是一个项集，事务T包含A，当且仅当A ⊆ T。关联规则是形如 A→B的蕴含式，其中A⊂I，B⊂I，A不为空，B不为空，而且A∩B不为空。
规则A→B在事务集D中成立，具备支持度s,其中s是D中事务A∪B（即集合A和B的并或A和B两者）的百分比。它是几率P(A∪B)。
Support(A→B) = P(A∪B) = P(A&B)
规则A→B在事务集D中具备置信度c,其中c是D中包含A的事务同时也包含B的事务的百分比。这是条件几率P(B|A)。
Confidence(A→B) = P(B|A) = P(A&B)/P(A)
同时知足最小支持度阈值（min_sup）和最小置信度阈值（min_conf）的规则称为强规则。
项的集合称为项集。包含k个项的项集称为k项集。集合{computer, antivirus_soft-ware}是一个2项集。项集的出现频度是包含项集的事务数，简称为项集的频度、支持度计数或计数。
Support(A→B) 定义的项集支持度有时称为相对支持度，而出现频度称为绝对支持度。若是项集I的相对支持度知足预约义的最小支持度阈值（即I的绝对支持度知足对应的最小支持度计数阈值），则I是频繁项集（frequent itemset）。
通常而言，关联规则的挖掘是一个两步的过程：
（1）找出全部的频繁项集：根据定义，这些项集的每个频繁出现的次数至少与预约义的最小支持计数（min_sup）同样。
（2）由频繁项集产生强关联规则：根据定义，这些规则必须知足最小支持度和最小置信度。