R= { I1,I2 …Im} 是一组物品集。
理解为：总的 Material List。
W 是一组事务集。
理解为：所有的订单（So）
W 中的每个事务 T 是一组物品，T 是 R 的子集。
理解为：T 是某一个订单中包含的所有 SKU，所以 T 是 R 的子集。
假设有一个物品集A，一个事务 T，关联规则是如下形式的一种蕴含：A→B，其中A、B 是两组物品，A属于R子集，B属于R子集。
注意：
- A 和 B 都是一组 SKU，一组 SKU 可能是1个 SKU，也可能是多个 SKU。
1.置信度(confidence)
**定义：**设 W 中支持物品集 A 的事务中，有 C％ 的事务同时也支持物品集B，C％ 称为关联规则 A→B 的可信度。
**通俗解释：**简单地说，可信度就是指在出现了物品集 A 的事务 T 中，物品集 B 也同时出现的概率有多大。
**实例说明：**例如：如果一个顾客购买了 ELV0012，那么他也购买 VAL0001 的可能性有多大呢？如果，购买 ELV0012 的顾客中有 65％ 的人购买了VAL0001, 那么可信度是 65％。
**概率描述：**物品集A对物品集B的置信度confidence（A→B）= P（A|B）
2.支持度(support)
**定义：**设 W 中有 S％ 的事务同时支持物品集 A 和 B，S％称为关联规则 A→B 的支持度。支持度描述了 A 和 B 这两个物品集的并集 C 在所有的事务中出现的概率有多大。
**通俗解释：**简单地说，A→B 的支持度就是指物品集 A 和物品集 B 同时出现的概率。
**实例说明：**某天共有 1000 个订单，其中有150个订单同时购买了 ELV0012 和 VAL0001 那么上述的关联规则的支持度就是15％。
**概率描述：**物品集A对物品集B的支持度 support（A→B）=P（A n B）
3.期望置信度（Expected confidence）
**定义：**设 W 中有 E％ 的事务支持物品集 B，E％ 称为关联规则 A→B 的期望可信度。
**通俗解释：**期望可信度描述了在没有任何条件影响时，物品集 B 在所有事务中出现的概率有多大。
**实例说明：**如果某天共有 1000 个顾客到商场购买物品，其中有 250 个顾客购买了 ELV0001，则上述的关联规则的期望可信度就是 25％。
**概率描述：**物品集A对物品集B的期望置信度为 support（B）=P（B）
4.提升度（lift）
**定义：**提升度是可信度与期望可信度的比值
**通俗解释：**提升度反映了“物品集 A 的出现”对物品集 B 的出现概率发生了多大的变化。
**实例说明：**上述的关联规则的提升度 = 65%/25% =2.6
**概率描述：**物品集 A 对物品集 B 的期望置信度为lift（A→B）=confidence（A→B）/support(B)=p(B|A)/p(B)
总之，可信度是对关联规则的准确度的衡量，支持度是对关联规则重要性的衡量。支持度说明了这条规则在所有事务中有多大的代表性，显然支持度越大，关联规则越重要。有些关联规则可信度虽然很高，但支持度却很低，说明该关联规则实用的机会很小，因此也不重要。