Apriori算法
Apriori算法基于频繁项集性质的先验知识，使用由下至上逐层搜索的迭代方法，即从频繁1项集开始，采用频繁k项集搜索频繁k+1项集，直到不能找到包含更多项的频繁项集为止。
Apriori算法由以下步骤组成，其中的核心步骤是连接步和剪枝步：
1) 连接步
2) 剪枝步
eg1:
eg2:
| TID | ItemSet |
| 1 | 啤酒,尿布,牙膏 |
| 2 | 尿布,牙膏,面包,牛奶 |
| 3 | 啤酒,牙膏,牛奶 |
| 4 | 尿布,牙膏,面包 |
| 5 | 尿布,牙膏,面包,牛奶 |
(1)写出Apriori算法生成频繁项目集的结果(MinSupport=60%)
Apriori算法——不足
①对数据库的扫描次数过多
②Apriori算法会产生大量的中间项集
③采用唯一支持度,没有将各个属性的重要程度的不同都考虑进去
④算法的适应面窄
Apriori算法——改进
①通过减少扫描数据库的次数改进I/O的性能；
②改进产生频繁项集的计算性能；
③寻找有效的并行关联规则算法；
④引入抽样技术改进生成频繁项集的I/O和计算性能；
⑤扩展应用领域。比如展开定量关联规则、泛化关联规则及周期性的关联规则的研究。
FP-Growth算法
频繁模式树增长算法（Frequent Pattern Tree Growth）采用分而治之的基本思想，将数据库中的频繁项集压缩到一棵频繁模式树中，同时保持项集之间的关联关系。然后将这棵压缩后的频繁模式树分成一些条件子树，每个条件子树对应一个频繁项，从而获得频繁项集，最后进行关联规则挖掘。
FpGrowth算法的平均效率远高于Apriori算法，但它并不能保证高效率，它的效率依赖于数据集。Fptree还需要其他的开销，需要存储空间更大，使用FpGrowth算法前，首先需要对数据分析，在决策是否采用FpGrowth算法。
)
