🔑 名詞卡
Apriori 演算法
🎯 定義
一種經典的關聯規則挖掘演算法，透過迭代與剪枝的方式，從資料集中找出所有滿足最小支持度的頻繁項目集，再生成滿足最小信賴度的關聯規則。
重點／應用
\[\text{Support}(A\Rightarrow B)=P(A\cap B) \qquad \text{Confidence}(A\Rightarrow B)=\frac{\text{Support}(A\cup B)}{\text{Support}(A)} \qquad \text{Lift}(A\Rightarrow B)=\frac{\text{Confidence}(A\Rightarrow B)}{P(B)}\]
- Apriori 性質：若項集頻繁，其所有非空子集也必頻繁；反之不頻繁項集的超集也必不頻繁，可大幅減少搜索空間。
- 典型應用：購物籃分析。Lift>1 正相關；Lift<1 負相關；Lift=1 獨立。
- 限制：需多次掃描資料集，高維稀疏資料效率低。
記憶技巧
「先找出常見的小組合，再逐步擴大檢驗，這就是 Apriori（提前假設）」。
易混淆
- vs FP-Growth：FP-Growth 用 FP 樹取代候選集生成，只需兩次掃描資料集，效率遠高於 Apriori。
📖 課文原文「Apriori 是一種經典且基礎的關聯規則挖掘演算法，透過迭代和剪枝的方式，從資料集中找出所有滿足預設最小支持度的頻繁項目集。」