Apriori算法：我们以下图某个杂货店的交易清单进行讲解。
交易号码商品0豆奶，莴苣1莴苣，尿布，葡萄酒，甜菜2豆奶，尿布，葡萄酒，橙汁3莴苣，豆奶，尿布，葡萄酒4莴苣，豆奶，尿布，橙汁
首先介绍两个基本概念：
支持度：
一个项集的支持度为：数据集中包含该项集的记录所占的比例。如{豆奶}的支持度为4/5。{豆奶，尿布}的支持度为3/5。支持度是针对项集而言的，所以可以定义一个最小支持度，只保留满足最小支持度的项集。
可信度或者置信度：
是针对类似{尿布}->{葡萄酒}的关联规则定义的。可信度被定义为：支持度（
{尿布，
葡萄酒
}
）/支持度（{
尿布
}）。上图中
支持度（
{尿布，
葡萄酒
}
）=3/5，
支持度（{
尿布
}）=4/5，所以
{尿布}->{葡萄酒}的可信度为3/4 = 0.75。这意味着对包含尿布的所有记录，，我们的规则对其中的75%都适用。
Apriori算法的基本原理为：如果某个项集是频繁的，那么它的所有子集也是频繁的。反过来说，如果某个项集是非频繁集，那个它的超集也一定是非频繁集。
如果我们想要通过计算各个项集的支持度来找出频繁项集，就可以先从子集开始计算，如果判断得出某个子集为非频繁项集，那么它的超集就不用计算了。使用该原理就避免了项集数目的指数增长，从而可以在合理时间内计算出频繁项集。
