## Apriori算法助手 > 基于[Apriori算法](https://baike.baidu.com/item/APRIORI/2000746?fr=aladdin)的頻繁項目集挖掘關聯規則學習。 ### 構造函數參數 * `$support` - 支持的最小閾值，即規則“如果X然后Y”包含X和Y的樣本的比率 * `$confidence` - 最小置信度，即包含X和Y的樣本與包含X的樣本的比率 ``` use Phpml\Association\Apriori; $associator = new Apriori($support = 0.5, $confidence = 0.5); ``` ***** ## 訓練 訓練關聯者只需提供訓練樣本(`$samples`)和標簽(`$labels`)。例： ``` $samples = [['alpha', 'beta', 'epsilon'], ['alpha', 'beta', 'theta'], ['alpha', 'beta', 'epsilon'], ['alpha', 'beta', 'theta']]; $labels = []; use Phpml\Association\Apriori; $associator = new Apriori($support = 0.5, $confidence = 0.5); $associator->train($samples, $labels); ``` 您可以使用多個數據集訓練關聯者，預測將基于所有訓練數據。 ***** ## 預測 預測樣本標簽使用`predict`方法。您可以提供一個樣本或樣本數組： ``` $associator->predict(['alpha','theta']); // return [['beta']] $associator->predict([['alpha','epsilon'],['beta','theta']]); // return [[['beta']], [['alpha']]] ``` ***** ## 關聯 獲取生成的關聯規則只需使用`rules`方法。 ``` $associator->getRules(); // return [['antecedent' => ['alpha', 'theta'], 'consequent' => ['beta'], 'support' => 1.0, 'confidence' => 1.0], ... ] ``` ***** ## 頻繁的項目集 生成k長度頻繁項集只需使用`apriori`方法。 ``` $associator->apriori(); // return [ 1 => [['alpha'], ['beta'], ['theta'], ['epsilon']], 2 => [...], ...] ```