是无监督机器学习方法，用于知识发现，而非预测，无需事先对训练数据进行打标签，因为无监督学习没有训练这个步骤。缺点是很难对关联规则学习器进行模型评估，一般都可以通过肉眼观测结果是否合理。
一，概念术语
1，项集itermset
如上每个{ }内的都称为一个项集，LHS,RHS成为左右项集，他们之间不能有重复值交集
2，支持度support
项集的支持度就是该项集出现的次数除以总的记录数（交易数），意义是要统计出频繁项集
3，置信度confidence
关联规则 X -> Y 的置信度 计算公式
规则的置信度的意义在于项集{X，Y}同时出现的次数占项集{X}出现次数的比例。发生X的条件下，又发生Y的概率。条件概率
4，提升度 Lift
关联概率准比上原始概率得出，如果提升度很小的值说明关联出来的概率还不如原始概率跟高效，更有说服力，一般的提升度大于3认为会认为挖掘推荐更有意义。
二，生成规则
一般两步：
- 第一步，找出频繁项集。n个item，可以产生2^n- 1 个项集（itemset）。所以，需要指定最小支持度，用于过滤掉非频繁项集。
- 第二部，找出第一步的频繁项集中的规则。n个item，总共可以产生3^n - 2^(n+1) + 1条规则。所以，需要指定最小置信度，用于过滤掉弱规则。
第一步的计算量比第二部的计算量大。
三，Apriori算法
需要加载R里面arules，没有的话自行安装下
源数据：groceries 数据集，每一行代表一笔交易所购买的产品（item）
数据转换：创建稀疏矩阵，每个Item一列，每一行代表一个transaction。1表示该transaction购买了该item，0表示没有购买，arules包的函数read.transactions可以读入源数据并创建稀疏矩阵。
groceries <- read.transactions("data.csv", sep = ",")
data.csv的数据类似如下：
在R语言里面查看这个groceries:
生成规则，共463条
查看具体规则：
按照指定排序来查看规则：
（按照lift排序）
（搜索verries)
可以把过滤好的数据存到csv格式