上一篇文章简述了挖掘频繁模式的基本概念：频繁模式即频繁出现在数据集中的模式，模式的类型有很多种，比如项集，序列和结构。频繁模式的挖掘就是关联规则的挖掘，就是通过找出所有的频繁模式然后推导出规律性的结论。
本文继续讨论频繁项集的挖掘方法，我们分析的模型仍然是最简单的“单维、单层、布尔频繁项集”。我们介绍的方法称为Apriori算法。
Apriori算法：利用频繁项集性质的先验知识，使用层序搜索迭代。具体方法是遍历数据库，记录每项的计数，并收集满足最小支持度的项，以得出频繁1项集--L1。然后用L1找出L2，用L2找出L3，以此类推，直到不能再找到频繁k项集。
由于每次都要遍历数据库，所以需要找到一种减少搜索空间的办法--利用Apriori性质：
"频繁项集的非空子集也是频繁的"---反单调性
这个命题可以证逆否命题：即只要子集不频繁，则该项集不频繁。因为包含越多的项集，总体概率一定越小，所以命题很容易得证。试想有n个人买了大白菜，那同时买大白菜和土豆的人数肯定不会比n大。
换句话说所以只要某项集不频繁，则其超集都不频繁。所以只要迭代的找到Lk-1项频繁项集，并且发现找不到Lk项频繁项集，那么更多项的频繁项集一定不存在，因而迭代结束。
那么迭代的过程如何呢？这里主要用到连接步和剪枝步：
【连接步】大概的意思就是把两个k-1项集连接成k项集，具体算法可以参考现有资料。
【剪枝步】指的是每一步都检查该项集是否有非频繁子集，如果有则丢弃。
这样，首先遍历一次数据库，获得所有1项集的支持度，然后筛选出频繁1项集，再用频繁1项集进行连接步，得出备选的2项集，然后对2项集统计计算支持度并剪枝，结果得出频繁2项集，再用频繁2项集连接步，得备选3项集，再对3项集统计支持度并剪枝，得出频繁3项集....
所以就是这样一个过程的迭代：【对备选k项集统计支持度，并剪枝】--得出频繁k项集--【用频繁k项集连接步】--得出备选k+1项集
这样就可以得出所有的频繁项集，并且记录下每个项集的支持度。因而利用上一篇的公式：
confidence(A=>B) = P(B|A) = support(AUB)/support(A) ＝ support_count(AUB)/support_count(A)
就可以得出所有规则的置信度，并挖掘出感兴趣的强规则。