参考资料：http://www.cnblogs.com/fengfenggirl/p/associate_apriori.html
关联规则：两个不相交的非空集合X、Y，如果有X-->Y，就说X-->Y是一条关联规则。
支持度(support)：support(X-->Y) = |X交Y|/N=集合X与集合Y中的项在一条记录中同时出现的次数/数据记录的个数。
自信度(confidence)：confidence(X-->Y) = |X交Y|/|X| = 集合X与集合Y中的项在一条记录中同时出现的次数/集合X出现的个数 。
绝对支持度abs_support = 数据记录数N*support
关联规则挖掘：给定一个交易数据集T，找出其中所有支持度support >= min_support、自信度confidence >= min_confidence的关联规则。简单过程为：
1）生成频繁项集（时间开销较大）
这一阶段找出所有支持度大于最小支持度的项集，找出的这些项集称为频繁项集。
2）生成规则
在上一步产生的频繁项集的基础上生成满足最小自信度的规则，产生的规则称为强规则。
优化算法：Apriori算法
Apriori定律1)：如果一个集合是频繁项集，则它的所有子集都是频繁项集。
举例：假设一个集合{A,B}是频繁项集，即A、B同时出现在一条记录的次数大于等于最小支持度min_support，则它的子集{A},{B}出现次数必定大于等于min_support，即它的子集都是频繁项集。
Apriori定律2)：如果一个集合不是频繁项集，则它的所有超集都不是频繁项集。
举例：假设集合{A}不是频繁项集，即A出现的次数小于min_support，则它的任何超集如{A,B}出现的次数必定小于min_support，因此其超集必定也不是频繁项集。
Apriori算法：Apriori算法属于候选消除算法，是一个生成候选集、消除不满足条件的候选集、并不断循环直到不再产生候选集的过程。
