所以最近的一个问题让我意识到了相当酷的先验算法。我可以看到它为什么起作用，但我不确定的是实际用途。据推测，计算相关项目集的主要原因是能够根据某人自己的购买（或拥有的项目等）为他们提供推荐。但是你如何从一组相关的项目集到单独的推荐呢？
维基百科文章完成：
第二个问题是从那些具有最小置信度约束的大型项目集中生成关联规则。假设其中一个大项集是Lk，Lk = {I1, I2, ... , Ik}，与这个项集的关联规则是这样生成的：第一条规则是{I1, I2, ... , Ik-1}⇒ { Ik}，通过检查置信度，可以确定这条规则是否有趣。然后通过删除前件中的最后一项并将其插入到后件中来生成其他规则，进一步检查新规则的置信度以确定它们的兴趣度。这些过程迭代直到前件变为空
不过，我也不确定关联规则集如何帮助确定最佳建议集。也许我错过了这一点，并且 apriori 不适合这种用途？在这种情况下，它的用途是什么？
因此，先验算法不再是市场篮子分析（又名关联规则挖掘）的最新技术。尽管 Apriori 原则（子集的支持上限限制了集合的支持）仍然是驱动力，但这些技术已经改进。
在任何情况下，使用关联规则生成推荐的方式是，给定一些历史项目集，我们可以检查每个规则的前件，看看是否包含在历史中。如果是这样，那么我们可以推荐规则的结果（当然，排除结果已经包含在历史中的情况）。
我们可以使用各种指标来对我们的推荐进行排名，因为在将它们与历史进行比较时，我们可能会遇到大量的规则，而我们只能提出有限数量的推荐。一些有用的度量是规则的支持度（与前件和后件的并集的支持度相同），规则的置信度（规则的支持度高于前件的支持度）和提升规则的支持（规则对前件和后件的支持的乘积）等。
如果您想了解有关如何使用 Apriori 进行分类的详细信息，可以阅读有关 CBA 算法的论文：
Bing Liu，Wynne Hsu，Yiming Ma，“集成分类和关联规则挖掘”。第四届知识发现和数据挖掘国际会议论文集 (KDD-98, Plenary Presentation)，纽约，美国，1998