强规则不一定是有趣的
关联分析和频繁模式挖掘的两大经典算法包括：Apriori算法和FP-growth。
其在学习过程中的评价指标主要包括支持度（包括支持度计数）和置信度（也叫可信度）。但其实这两个指标有一定的局限性。
示例问题如下：
假设一共有10000个事务，其中包括A事件的事务有6000个；包括B事件的事务有7500个；同时包括A事件和B事件的事务有4000个。要求的最小支持度阈值为30%，最小置信度阈值为60%。计算关联规则。
由条件可知，P(A)=60%，P(B)=75%，P(AB)=40%。则支持度为support(A=>B)=P(AB)=40%，置信度confidence(A=>B)=P(B|A)=P(AB)/P(A)=66%。因此支持度和置信度都满足最小阈值，可以认为是强规则。
但是此处存在一个问题：不考虑A事件，B事件的发生概率为75%，比66%还高，所以A和B事件是负相关，A事件的发生降低了B事件的发生的可能性。可以发现此强规则是误导，有一定欺骗性，所以传统的支持度和置信度不能完全度量A和B之间蕴含的实际强度。以下介绍几个可以替代支持度-置信度框架的指标。
1、相关分析
事件A和B之间的相关性度量可以有很多指标，比如：
提升度
两个独立的事件：P(AB)=P(A)*P(B)。否则两个事件是依赖和相关的。所以提升度定义如下：
lift(A, B)=P(AB)/P(A)*P(B)
当上式小于1，则A和B的出现是负相关的；大于1，则A和B的出现是正相关的，意味着每一个的出现都蕴含另一个的出现；等于1则A和B是独立的，之间没有相关性。
上式等价于P(B|A)/P(B)或conf(A=>B)/sup(B).
卡方度量
X^2=∑((观测值-期望值)^2/期望值)
卡方度量依赖于相依表的建立。
2、模式评估度量比较
全置信度
all_conf(A, B)=sup(AB)/max{sup(A), sup(B)}=min{P(A|B), P(B|A)}
又称之为两个与A和B相关的关联规则的最小置信度。
最大置信度
max_conf(A, B)=max{P(A|B), P(B|A)}
是两个关联规则“A=>B”和"B=>A"的最大置信度。
Kulczynski
Kulc(A,B)=1/2(P(A|B)+P(B|A))
两个置信度的平均值。
余弦
cosine(A, B)=P(AB)/((P(A)*P(B))^1/2)=sup(AB)/((sup(A)*sup(B))^1/2)=(P(A|B)*P(B|A))^1/2
可以看做是调和提升度度量。
以上四个度量的共同性质：（1）度量值仅受A和B和AB的支持度的影响，而不受事务总个数的影响。（2）每个度量值都编取0~1，并且值越大，A和B的联系越紧密。
四个零不变度量指标，推荐Klus与不平衡比配合使用。
参考文献:
《数据挖掘：概念与技术》 韩家炜等人著