更新Apriori .md注释

docs/11.使用Apriori算法进行关联分析.md

@@ -1,16 +1,14 @@
 
 # 11) 使用Apriori算法进行关联分析
 
-* 使用场景：
+* 用户去超市、电商平台去买东西；那么是否可以促进用户消费呢？
     * 目的：商店希望从客户身上获取尽可能多的利润。
     * 忠诚度计划： 通过顾客的会员卡可获取已定的折扣，商店也可以了解客户购买的商品; 不买会员卡，商店也可以查用顾客一起购买的物品，找出商品之间的关系。
     * 例如： 尿布和啤酒的故事
 * 关联关系(associati analysis) 或 关联规则学习(association rule learning)
-    * 从大规模数据集中寻找物品间的隐含关系呗称作关联关系。
+    * 从大规模数据集中寻找物品间的隐含关系被称作关联关系。
 * 关联分析：
-    * 优点：易编码实现
-    * 缺点：在大数据集上可能较慢
-    * 适用数据类型：数值型 或者 标称型数据。
+    * 概念：是一种在大规模数据集中寻找有趣关系的任务。
 * 关联分析有2种形式：
     * 1.频繁项集(frequent item sets): 经常出现在一块的物品集合
     * 2.关联规则(association rules): 暗示两种物品之间可能存在很强的关系
@@ -23,6 +21,17 @@
 * 置信度（confidence)
     * 置信度({A}->{B}) = 支持度{A,B}/支持度{A} 
     * 例如上图中：{尿布，葡萄酒}的支持度=3/5， {尿布}的支持度=4/5， 所以 尿布->葡萄酒的可信度=3/4
+ * Apriori算法
+    * 优点：易编码实现
+    * 缺点：在大数据集上可能较慢
+    * 适用数据类型：数值型 或者 标称型数据。
+ * Apriori流程步骤：
+    * 收集数据：使用任意方法。
+    * 准备数据：任何数据类型都可以，因为我们只保存集合。
+    * 分析数据：使用任意方法。
+    * 训练数据：使用Apiori算法来找到频繁项集。
+    * 测试算法：不需要测试过程。
+    * 使用算法：用语发现频繁项集以及物品之间的关联规则。
 * Apriori原理
     * 如果某个项集是频繁的，那么它的所有子集也是频繁的，反之，一个项集是非频繁的，那么它的所有超集也是非频繁的。
     * 例如： 我们假设知道{2, 3}是非频繁项，那么{0, 2, 3}, {1, 2, 3}, {0, 1, 2, 3}都是非频繁项。