概念
一种挖掘布尔关联规则频繁项集的算法；算法意义主要是为了提高数据访问效率，提升发现频繁项集的速度；算法使用了一种称为逐层搜索的迭代方法，“K-1项集”用于搜索“K项集”；
Apriori性质：频繁项集的所有非空子集也必须是频繁的。
Apriori算法分为两个阶段：1）寻找频繁项集（大于等于最小支持度的项集）； 2）由频繁项集产生强关联规则（大于等于最小支持度和最小置信度）。
例子
如下图，寻找频繁项集，支持度都从数据库D中算出，产生强关联规则：
-
优点：易于编程实现；
-
缺点：在大数据集上可能较慢：可能产生大量的候选集，可能需要重复扫描数据库。
ps：
支持度: P(A∪B)，即A和B这两个项集在事务集D中同时出现的概率。例子： support((apple,banana)->cherry) = 1/7 = 14.29% （7个交易中有一个交易是同时购买了三件商品）
置信度: P(B｜A)，即在出现项集A的事务集D中，项集B也同时出现的概率。 confidence((apple,banana)->cherry) = 1/2 = 50% (同时购买了apple 和banana的有两个交易，其中一个交易也购买了cherry，所以置信度是50%)