초기 (1989 년경) 모든 연결 규칙을 찾기 위해 최소 지원 및 신뢰의 사용은 기능 기반 모델링 프레임 워크입니다, 이는 s u p (X) {displaystyle mathrm {supp} (X)와 c o n f (X) 및 c o n f (X ) {» 표시 mathrm {conf} (XRightarrow Y) } 사용자 정의 제약 조건보다 큽입니다. [13] 지원의 가치는 추가 분석을 위해 고려할 가치가 있는 규칙을 식별하는 데 도움이 됩니다. 예를 들어 총 10,000개의 트랜잭션 중 50회 이상 발생하는 항목 집합만 고려할 수 있습니다. 항목 집합의 지원이 매우 낮은 경우 해당 항목 간의 관계에 대한 충분한 정보가 없으므로 이러한 규칙에서 결론을 도출할 수 없습니다. 이 측정값은 카트에 선행 이면 이체가 이미 있다는 점을 감안할 때 카트에서 발생하는 유사점을 정의합니다. 즉, 질문에 대답하는 것입니다 – 말을 포함하는 모든 거래의, {캡틴 크런치}, 얼마나 많은 또한 {우유}를 했다? 우리는 {캡틴 크런치} → {우유}가 높은 신뢰도 규칙이어야 한다는 것을 상식적으로 말할 수 있습니다. 기술적으로, 자신감은 선행 주어진 결과발생의 조건부 확률이다. 그것은 당신이 그런 빈번한 결과에 대한 선행에 무엇을 중요하지 않습니다. 매우 빈번한 결과적 연관 규칙에 대한 신뢰도는 항상 높습니다.

우리는 arules R 라이브러리에서 식료품 거래에 데이터 집합을 사용합니다. 그것은 30 일 동안 식료품 점에서 실제 거래를 포함. 아래 네트워크 그래프는 선택한 항목 간의 연결을 보여줍니다. 더 큰 원은 더 높은 지지를 암시하는 반면, 빨간색 원은 더 높은 상승을 의미합니다: 정량적 연합 규칙 범주및 정량적 데이터 [42][43] 협회 규칙 마이닝은 기본 수준에서 기계 학습 모델을 사용하여 데이터를 분석합니다. 패턴 또는 데이터베이스에서 공동 발생을 방지할 수 있습니다. 연결 규칙이라고 하는 빈번한 if-then 연결을 식별합니다. X, Y {displaystyle X, Y}를 항목 집합, X ⇒ Y {디스플레이 스타일 XRightarrow Y} 연결 규칙 및 T {displaystyle T} 지정된 데이터베이스의 트랜잭션 집합입니다. Agrawal, Imieliñski, Swami[2] 협회 규칙 마이닝의 원래 정의에 따라 다음과 같이 정의됩니다 : 일부 잘 알려진 알고리즘은 Apriori, Eclat 및 FP-Growth이지만 자주 채굴을위한 알고리즘이기 때문에 절반만 수행합니다. 항목 집합을 설정합니다.