1.概述
关联规则（Association Rules）是无监督的机器学习方法，从数据背后发现事物之间可能存在的关联或者联系，用于知识发现，而非预测。这种事物之间的关联或者联系就叫规则。
2.配置参数
拖拽一个数据集和一个关联规则节点到画布，连接数据集和关联规则节点。
添加关联规则模型到实验后，可通过右侧的“配置项目”页面，对模型进行设置。
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法，通过对数据的关联性进行了分析和挖掘，挖掘出的这些信息在决策制定过程中具有重要的参考价值。运用Apriori算法时，绑定的数据集不能是集市数据集。
添加关联规则模型到实验后，可通过右侧的“配置项目”页面，对模型进行设置。
【支持度范围(%)】模型所生成的规则的支持度级别的百分比值范围。如果不在此范围内，规则将被废弃。
【置信度(%)】模型所生成的规则的置信度级别的最小百分比值。如果模型所生成的规则的置信度级别小于此数量，那么该规则将被废弃。
【最小项数】模型所生成的规则的最小项数，小于此值将被废弃。
【最大项数】模型所生成的规则的最大项数，大于此值将被废弃。
【自变量】从选择列对话框中选出需要作为自变量的字段。
3.查看Apriori算法模型结果
关联规则模型运行成功后，会自动切换到“结果展示”页面，查看实验模型的结果，再次运行时则不会自动切换，可以手工切换至结果展示页面。
•关联规则图
各项的关联关系图，每个圆圈代表一条规则，指向圆圈的是左项，圆圈指向的是右项；圆圈大小代表支持度大小，圆圈越大支持度越大，圆圈颜色代表提升度，颜色越深提升度越大。
•关联规则
【左项】规则的先导项集。
【右项】规则的结论项集。
【支持度】项集出现的次数除以总的记录数。
【置信度】项集{X，Y}同时出现的次数占项集{X}出现次数的比例。
【提升度】度量项集{X}和项集{Y}的独立性。数值越大模型越好。