应用场景
关联分析应用在项不多的情况下，从整体数据中挖掘潜在关联。具体应用场景可分为如下几个：
产品推荐与引导。关联分析做推荐时，主要用于个性化不强的场景。比如根据购买记录，通过关联分析发现群体购买习惯的内在共性，指导超市产品摆放。对于偏个性化场景，比如给目标用户推荐产品，可以先找出购买习惯与目标用户相似的人群，对此特定人群的购买记录进行关联分析，然后将分析出的规则与目标用户的购买记录结合，进行推荐。
发掘潜在客户，精准营销。当通过关联分析，发现许多购买A的用户还会购买B，即有规则A—>B，可通过有购买B产品行为的用户，找到A产品的潜在意向用户，进行精准营销。
特征筛选。在特征工程中，需要对特征进行筛选。对特征筛选包括：保留与目标变量关联大的特征，删除高度相关的特征。在一般使用的相关性系数方法中，只能判断两个变量间的相关性，而通过关联分析得到的规则，可以判断多个变量之间的关系。比如针对规则{x1,x2}—>{x3}，则可能存在x3不能与{x1,x2}同时放入模型中的可能性；针对规则{x4,x5}—>{y1}，则可能x4，x5同时放入模型时，会有较好的结果。
基本概念
关联分析中，涉及到一些基本概念。假设有如下数据，则每行表示一个事务，每列表示一个项，包含k个项的集合称为k项集。
关联规则。关联规则是形如X－>Y的表达式，如：{crime = y, immigration = no} -> {Democrat}。X称为前件，Y称为后件，X和Y不包含相同的项。
支持度（support）。支持度指X，Y中的项，同时出现的事务数占总事务数的比例。由于同时出现{crime = y, immigration = no}和{Democrat}的事务数为1，总事务数为4，所以规则的支持度为1/4=0.25。
置信度（confidence）。置信度指Y在包含X的事务中，出现占比。{crime = y, immigration = no}出现的事务数为2，因此规则的置信度为1/2=0.5。
支持度用来删除无意义的规则，置信度越高，表示Y在包含X的事务中出现的可能性越大。关联规则表示X，Y较容易同时出现，但是不代表有必然的因果关系。
关联规则挖掘。给定支持度阈值minsup，和置信度阈值minconf，关联规则挖掘指找到支持度>minsup，置信度>minconf的规则。
规则产生思路
规则产生的原始方法是计算每个可能规则的支持度和置信度。但是当项数增多时，可能的规则总数会以指数增长，带来巨大开销，且因阈值的限制，会导致很多开销是无用的，因此需要对规则产生思路进行优化。
通常采用的策略为拆分支持度和置信度要求。先找到满足支持度>minsup的所有项集，即频繁项集，再从频繁项集中找到满足置信度>minconf的规则。进行这样的任务分解，可以满足规则发现的原因在于，对于规则：
{crime = y, immigration = no} -> {Democrat}
{Democrat} -> {crime = y, immigration = no}
{Democrat, immigration = no} -> {crime = y}
{crime = y} -> {Democrat, immigration = no}
{Democrat, crime = y} -> {immigration = no}
{immigration = no} -> {Democrat, crime = y}
他们的支持度仅依赖于项集{Democrat, crime = y, immigration = n}，如果此项集是非频繁的，则由此项集可以产生的上述6条规则，都将不满足minsup要求，因此不必再计算他们的置信度。
