下载文档原格式
史上最全的因果识别经典前沿书籍,仅此⼀份Copyrights @计量经济圈(ID:econometrics666), 社群推荐。
近年来，在微观计量领域，因果识别策略已经占据了主流，传统的⽅法始终难以解决关于内⽣性问题的难题。
计量经济圈的核⼼优势就是因果识别，传统的宏观领域的多⽅程关系研究也在吸收因果识别策略。
在不久的将来，因果识别领域会有⼏位先锋者得到诺贝尔经济学奖。
如果你对这些前沿技术也感兴趣，那可以加⼊咱们⼤社群⼀起切磋交流学习(见⽂末)。
Confounding in CausalInferenceWei PanCausality andModern Science: Third Revised EditionMario BungeAn Introductionto Causal InferenceJudea PearlCausality:Statistical Perspectives and ApplicationsCarlo BerzuiniProbability: For the Enthusiastic BeginnerDavid MorinMastering 'Metrics: The Path from Causeto Effect- Joshua David AngristCounterfactuals and Causal Inference:Methods and… -Stephen L. MorganCausal Inference in Statistics: A PrimerJudea PearlCausalityJudea PearlCausal Inference for Statistics, Social, and Biome…- Guido W. ImbensConfounding in Causal Inference2010-04Wei PanCausalInferences and Abductive Reasoning2009-03Chong Ho YuCausal Inferencein Econometrics2016-01Van-Nam Huynh、 Vladik KreinovichStatisticalCausal Inferences and Their Applications in Public Health Research 2016-11Hua He、 Pan WuTargetedLearning: Causal Inference for Observational and Experimental Data2013-08Mark J. van derLaan、 Sherri RoseThe SAGEHandbook of Regression Analysis and Causal Inference2014-10Henning Best、 Christof WolfStatisticalModels and Causal Inference: A Dialogue with the Social Sciences2009-11David A.Freedman、 David CollierApplied BayesianModeling and Causal Inference from Incomplete-Data Perspectives 2004-09Andrew Gelman、 Xiao-Li MengCase Studies andCausal Inference: An Integrative Framework2012-09I. RohlfingThe Role ofCausal Models in Inductive Inference Based on Categories2011-09Xinzhi Chen、 Hee Seung LeeMaking itFormally Explicit: Probability, Causality and Indeterminism2017-05GáborHofer-Szabó、 Leszek WrońskiCausality:Philosophical Theory meets Scientific Practice2014-10Phyllis Illari、 Federica RussoCausality2013-06Frederic PMiller、 Vandome Agnes FCausality2015-08Guanglei HongCausality:Objectives and Assessment: Challenges in Machine Learning, Volume 4 2012-11Isabelle Guyon、 Dominik JanzingCausality, Or,the Philosophy of Law Investigated2016-05George JamiesonFinancial Crisesand Earnings Management Behavior: Arguments and Evidence Against Causality2017-09Bruno Maria FranceschettiEvidence,Decision and Causality2017-02Arif AhmedCausality,Meaningful Complexity and Embodied Cognition2012-05A. CarsettiCausality, Correlationand Artificial Intelligence for Rational Decision Making2015-02TshilidziMarwalaCausality inSociological Research2011-09Jakub KarpinskiCausality andProbability in the Sciences: v. 52007-01Dr. FedericaRusso、 Jon WilliamsonTime SeriesModels, Causality and Exogeneity1997-06Omar F. Hamouda、 J. C. R. RowleyStochastic Causality2001-12Maria CarlaGalavotti、 Patrick SuppesCausality andCausal Modelling in the Social Sciences: Measuring Variations2008-10Federica RussoBayesianNetworks and GIS Techniques for Modelling Land Degradation2009-08Oumer AhmedCausality in Macroeconomics2001-08Kevin D. HooverMechanism and Causalityin Biology and EconomicsSpace, Time andCausality: An Essay in Natural Philosophy1985-03J. R. LucasComplexSocio-Technical Systems: Understanding and Influencing the Causality of Change 2012-07W. B. Rouse、K.R. Boff、 P. SandersonCausality; thePlace of the Causal Principle in Modern Science1959by MarioAugusto BungeUncertainty andcausality in practical inference1981by Hillel JEinhorn名称Three Essays on Causality Approach to Modeling Long-term Economic Growth 作者Piyachart Phiromswad撰稿⼈University of California, DavisCausal Inference and ScientificParadigms in EpidemiologySteven S. Coughlin - 2010 -Causal inferenceK. J. Rothman -1988 -Causal inference for multi-levelobservational data with application ...Guanglei Hong - 2004 -Case Studies and Causal Inference: AnIntegrative FrameworkI. Rohlfing - 2012 -This frameworkis applied to research design tasks such as case selection and process tracing.The book presents the basics, state-of-the-art and arguments for improving thecase study method and empirical small-n research.From Predictive to Causal Inference: TheUse of Multivariate ...2014 -The time seriesof covariance that multivariate GARCH models generate, however, holdprofoundpromise for informing pre-existing causal inferential debate throughout thesocial sciences. A research methodology framework is needed.Complete Identification Methods forCausal InferenceIlya Shpitser - 2008 -Using theframework of graphical causal models which formalizes a variety of causalqueries, such as causal effects, counterfactuals and path-specific effects ascertain types of probability distributions, I will develop algorithms which ...Causal Inference in EconometricsVan-Nam Huynh,V ladik Kreinovich, S ongsak Sriboonchitta - 2015 -This book isdevoted to the analysis of causal inference which is one of the most difficulttasks in data analysis: when two phenomena are observed to be related, it isoften difficult to decide whether one of them causally influences the ...Explanation in Causal Inference: Methodsfor Mediation and InteractionTyler VanderWeele - 2015 -and approachesto mediation and interaction from the causal inference literature employingcounterfactuals. This counterfactual approach can be extended to addressquestions of mediation and interaction by extending the counterfactual ...A Review of Causal InferenceDayang Liu - 2009 -Abstract: Inthis report, I first review the evolution of ideas of causation as it relatesto causal inference.Applied Bayesian modeling and causalinference from incomplete-data ...Donald B. Rubin, A ndrewGelman, X iao-Li Meng - 2004 -This book bringstogether a collection of articles on statistical methods relating to missingdata analysis, including multiple imputation, propensity scores, instrumentalvariables, and Bayesian inference.Causality: Models, Reasoning, andInferenceJudea Pearl - 2000 -The book willfacilitate the incorporation of causal analysis as an integral part of thestandard curriculum in statistics, business, epidemiology, social science andeconomics.Causal Inference Methods for EstimatingLong-term Health Effects of ...Corwin Matthew Zigler - 2016 -Parametric Potential-outcome SurvivalModels for Causal Inference: A ...Zhaojing Gong - 2008 -Causal Inference, Path Analysis andRecursive Structural Equations ...1988 -Restricted Structural Equation Modelsfor Causal InferenceJonas Martin Peters - 2012 -Essays in Causal Inference and PublicPolicyAvi Isaac Feller - 2015 -Thisdissertation addresses statistical methods for understanding treatment effectvariation in randomized experiments, both in terms of variation acrosspre-treatment covariates and variation across post-randomization intermediateoutcomes ...Causal Inference in Urban and RegionalEconomicsNathaniel Baum-Snow, F ernando Ferreira - 2014 -Recovery ofcausal relationships in data is an essential part of scholarly inquiry in thesocial sciences.Statistics and Causality: Methods forApplied Empirical Research WolfgangWiedermann, A lexander von Eye - 2016 -The book isdivided into five accessible and independent parts. The first part introducesthe foundations of causal structures and discusses issues associated withstandard mechanistic and difference-making theories of causality.Latent Variable Modeling and Applicationsto CausalityMaia Berkane - 2012-The papers inthis volume are representative of a wide variety of disciplines in which theuse of latent variable models is rapidly growing. The volume is divided intotwo broad sections.The Oxford Handbook of Causal ReasoningMichael Waldmann -2017 -Causal Analysis in Population Studies:Concepts, Methods, Applications HenrietteEngelhardt, H ans-Peter Kohler, A lexia Fürnkranz-Prskawetz - 2010 -This bookpresents both theoretical contributions and empirical applications of thecounterfactual approach to causal inference.Foundations of BayesianismD. Corfield, J onWilliamson - 2013 -This is anauthoritative collection of papers addressing the key challenges that face theBayesian interpretation of probability today.Multilevel Modeling of Social Problems:A Causal PerspectiveRobert B Smith - 2014 -Uniquelyfocusing on intersections of social problems, multilevel statistical modeling,and causality; the substantively and methodologically integrated chapters ofthis book clarify basic strategies for developing and testing multilevel ...Why: A Guide to Finding and Using CausesSamantha Kleinberg - 2015 -This book helpsyou think about causality in a structured way: What is a cause, what are causesgood for, and what is compelling evidence of causality?Causality: A Study of SeventeenthCentury PhilosophyDaisie Radner - 1969 -Theories of Causality: From Antiquity tothe PresentJohn Losee - 2012 -This volume is awide-ranging history of answers that have been given to these threequestions,and their relationship to scientific understanding.Causality and ExplanationWesley C. Salmon - 1998 -This uniquevolume brings together twenty-six of his essays on subjects related tocausality and explanation, written over the period 1971-1995.A probabilistic theory of causalityPatrick Suppes - 1970 -Capturing Connectivity and Causality inComplex Industrial ProcessesFan Yang, P ing Duan, S irish L. Shah - 2014 -In this chapter,we focus on the relationship between different time series to capturecausality in the process. For a pair ofprocess variables, various data-based methods can be applied to detect causality. These methods can becategorized ..Causality and ScienceNalini Kanta Brahma - 2008 - ⽆预览 -The writing ofthis book has afforded him pleasure in his leisure moments, and that pleasurewould be much increased if he knew that the perusal of it would create any bondof sympathy between himself and the angling community in general.The perception of causalityAlbert Michotte -1963 - 阅读内容摘录 -Correlation and causalityDavid A. Kenny - 1979 -Structuralmodeling; Covariance algebra; Principles of path analysis; Models with observedvariables as causes; Measurement error in the exogenous variable and thirdvariables; Observed variables as causes of each other; Single unmeasured ...Causality in natural scienceVictor Fritz Lenzen - 1954 - 阅读内容摘录 -Causal Overdetermination andContextualismEsteban Céspedes - 2016 -This workexplains how different theories of causation confront causal overdetermination.Causal Reasoning: A Systems ApproachJohn Charles Francis - 1992 -Synthesizes thecausal reasoning used in artificial intelligence, and the traditional expert systemapproaches based on heuristic knowledge, thus providing a methodology foranalyzing causal mechanisms in physical systems.Causation & Causality: Two Mirrorsof the CauseS. K. Leung - 2002 -With DavidHume's profound philosophical doubts on causation at the background, this bookattempts to answer many difficult questions.Visualizing Causality in Context UsingAnimation2007 -Keywords:visualization of causality, perception of causality, causal overlay, visualcausal vector。
港大数据科学笔试题目
港大数据科学笔试题目可能涉及多个领域，包括统计学、计算机科学、数学等。
以下是一些可能的笔试题目示例：
1. 统计学基础：如何计算平均数、中位数、众数？解释它们的意义和应用。
2. 概率论与数理统计：什么是随机变量？列举几个常见的随机变量类型。
解释期望值和方差的定义和计算方法。
3. 线性代数：什么是矩阵的逆矩阵和行列式？如何计算矩阵的乘积？
4. 数据分析：如何处理缺失数据和异常值？描述几种常见的数据可视化技术。
5. 数据挖掘：什么是聚类分析？它有哪些应用场景？
6. Python编程：编写一个Python程序来读取一个CSV文件，并计算每列的平均值。
7. SQL查询：编写一个SQL查询来检索某个表中所有不重复的记录。
8. 机器学习：解释支持向量机（SVM）和随机森林算法的基本原理。
这只是一部分可能的笔试题目示例，具体的题目会根据招聘岗位的要求和考试大纲而有所不同。
如果你想准备港大数据科学相关的笔试，建议提前了解相关课程和知识点，并熟悉相关编程语言和技术。
fassis 相似计算大规模计算大规模计算是指通过对大量数据进行处理和分析，以获取有用信息的一种计算方式。
随着互联网和信息技术的发展，大规模计算正在成为各个领域的重要工具。
在这篇文章中，我们将以fassis相似计算为切入点，探讨大规模计算的应用和意义。
让我们来了解一下fassis相似计算。
fassis相似计算是一种基于图像和视频内容的计算方法，通过对图像和视频进行特征提取和匹配，来判断它们之间的相似度。
这种计算方式可以广泛应用于图像搜索、视频监控、人脸识别等领域。
在大规模计算中，fassis相似计算起到了重要的作用。
大规模计算的应用非常广泛。
在金融领域，大规模计算可以用来进行风险评估和投资决策。
通过对大量的金融数据进行分析和计算，可以快速准确地评估风险，并提供决策支持。
在医疗领域，大规模计算可以用来进行疾病诊断和治疗方案设计。
通过对大规模的医学数据进行分析和计算，可以帮助医生更好地理解疾病的发展规律，提供更准确的诊断和治疗方案。
在交通领域，大规模计算可以用来进行交通流量预测和交通优化。
通过对大量的交通数据进行分析和计算，可以帮助交通管理部门更好地规划路网，提高交通效率。
在电商领域，大规模计算可以用来进行用户行为分析和个性化推荐。
通过对大量的用户数据进行分析和计算，可以帮助电商平台更好地理解用户需求，提供更精准的推荐服务。
大规模计算的意义在于它可以帮助我们更好地理解和利用大数据。
随着互联网和物联网技术的发展，我们正处在一个数据爆炸的时代，每天都会产生大量的数据。
这些数据蕴含着重要的信息，但如果不经过计算和分析，这些信息将无法被发现和利用。
大规模计算通过对大数据进行处理和分析，可以帮助我们从海量的数据中提取有用的信息，为决策和创新提供支持。
同时，大规模计算还可以帮助我们发现数据之间的关联和规律，从而更好地理解和解决实际问题。
然而，大规模计算也面临着一些挑战和问题。
首先，由于数据量庞大，大规模计算需要强大的计算资源和高效的算法。
多元时间序列数据熵特征提取
随着数据采集和存储技术的不断发展，我们所面对的数据越来越多样化和多元化。
在时间序列数据分析中，如何从这些多元时间序列数据中提取有效的特征，成为了一个重要而复杂的问题。
熵是一种常用的特征提取方法，通过对数据的分布情况进行度量，可以反映数据的不确定性和复杂性。
对于单一时间序列数据，熵的计算比较简单，但对于多元时间序列数据，由于数据之间的耦合关系，熵的计算会更加困难。
近年来，研究者们提出了许多基于熵的多元时间序列数据特征提取方法，包括联合熵、条件熵、互信息等。
这些方法不仅考虑了数据的单一特性，还考虑了数据之间的相互作用和影响，可以更全面地反映数据的特征和规律。
在实际应用中，多元时间序列数据熵特征提取可以应用于各种领域，如金融数据分析、医疗诊断、环境监测等。
通过对数据的深入分析和特征提取，可以更好地理解数据的本质和规律，为实际问题的解决提供有力的支撑。
- 1 -。
时间序列相似性查询的研究与应用随着大数据时代的到来，时间序列数据的重要性逐渐凸显。
时间序列数据是指按照时间顺序排列的一组数据，例如股票价格、气温变化、心电图等。
时间序列相似性查询作为一种重要的数据分析技术，旨在寻找与查询样本相似的时间序列数据，从而揭示隐藏在数据背后的规律和趋势。
在各个领域的实际应用中，时间序列相似性查询已经发挥了重要的作用。
时间序列相似性查询的研究主要包括两个方面：相似性度量和相似性查询算法。
相似性度量是衡量两个时间序列数据之间相似程度的方法，常用的度量方法包括欧氏距离、曼哈顿距离、动态时间规整等。
相似性查询算法是根据相似性度量方法，对大规模时间序列数据进行高效查询的方法，常用的算法包括基于索引的查询、基于哈希的查询、基于树结构的查询等。
这些研究成果为时间序列数据的分析和挖掘提供了基础。
时间序列相似性查询在实际应用中具有广泛的应用前景。
首先，在金融领域，通过对历史股票价格的相似性查询，可以预测未来股票价格的走势，为投资者提供决策依据。
其次，在气象领域，通过对历史气温变化的相似性查询，可以预测未来天气的变化，为气象预报提供支持。
再次，在医疗领域，通过对心电图的相似性查询，可以诊断心脏疾病，为医生提供治疗方案。
另外，在工业生产领域，通过对传感器数据的相似性查询，可以提前预测设备故障，进行维护和修复，提高生产效率。
然而，时间序列相似性查询也面临一些挑战。
首先，大规模时间序列数据的查询效率是一个问题，传统的查询算法无法满足实时查询的需求。
其次，相似性度量方法的选择也是一个难题，不同领域的数据可能需要采用不同的度量方法。
此外，在多维时间序列数据的查询中，如何考虑多个维度之间的相似性也是一个研究方向。
总之，时间序列相似性查询作为一种重要的数据分析技术，在各个领域的实际应用中发挥了重要作用。
未来，我们需要进一步研究相似性度量方法和查询算法，提高查询效率和准确性，以更好地应对大数据时代的挑战。
数据仓库与数据挖掘教程（第2版）课后习题答案第七章第七章作业1.信息论的基本原理是什么？一个传递信息的系统是由发送端(信源)和接收端(信宿)以及连接两者的通道(信道)组成的。
信息论把通信过程看做是在随机干扰的环境中传递信息的过程。
在这个通信模型中，信息源和干扰(噪声)都被理解为某种随机过程或随机序列。
在进行实际的通信之前，收信者(信宿)不可能确切了解信源究竟会发出什么样的具体信息，也不可能判断信源会处于什么样的状态。
这种情形就称为信宿对于信源状态具有不确定性，而且这种不确定性是存在于通信之前的，因而又叫做先验不确定性。
在通信后，信宿收到了信源发来的信息，这种先验不确定性才会被消除或者被减少。
如果干扰很小，不会对传递的信息产生任何可察觉的影响，信源发出的信息能够被信宿全部收到，在这种情况下，信宿的先验不确定性就会被完全消除。
但是，在一般情况下，干扰总会对信源发出的信息造成某种破坏，使信宿收到的信息不完全。
因此，先验不确定性不能全部被消除, 只能部分地消除。
换句话说，通信结束之后，信宿仍具有一定程度的不确定性。
这就是后验不确定性。
2.学习信道模型是什么？学习信道模型是信息模型应用于机器学习和数据挖掘的具体化。
学习信道模型的信源是实体的类别，采用简单“是”、“非”两类，令实体类别U 的值域为{u1，u2}，U 取u1表示取“是”类中任一例子，取u2表示取“非”类中任一例子。
信宿是实体的特征（属性）取值。
实体中某个特征属性V ，他的值域为{v1，v2……vq}。
3.为什么机器学习和数据挖掘的分类问题可以利用信息论原理？信息论原理是数据挖掘的理论基础之一。
一般用于分类问题，即从大量数据中获取分类知识。
具体来说，就是在已知各实例的类别的数据中，找出确定类别的关键的条件属性。
求关键属性的方法，即先计算各条件属性的信息量，再从中选出信息量最大的属性，信息量的计算是利用信息论原理中的公式。
4自信息：单个消息ui 发出前的不确定性（随机性）称为自信息。
实验一编码与译码一、实验学时：2学时二、实验类型：验证型三、实验仪器：安装Matlab软件的PC机一台四、实验目的：用MA TLAB仿真技术实现信源编译码、差错控制编译码,并计算误码率。
在这个实验中我们将观察到二进制信息是如何进行编码的。
我们将主要了解：1．目前用于数字通信的基带码型2．差错控制编译码五、实验内容：1．常用基带码型（1）使用MATLAB 函数wave_gen 来产生代表二进制序列的波形,函数wave_gen 的格式是：wave_gen(二进制码元,…码型‟,Rb)此处Rb 是二进制码元速率,单位为比特/秒（bps）。
产生如下的二进制序列：>> b = [1 0 1 0 1 1];使用Rb=1000bps 的单极性不归零码产生代表b的波形且显示波形x，填写图1-1：>> x = wave_gen(b,…unipolar_nrz‟,1000);>> waveplot(x)（2）用如下码型重复步骤（1）（提示：可以键入“help wave_gen”来获取帮助），并做出相应的记录：a 双极性不归零码b 单极性归零码c 双极性归零码d 曼彻斯特码(manchester)x 10-3x 10-3x 10-3x 10-32．差错控制编译码（1） 使用MATLAB 函数encode 来对二进制序列进行差错控制编码, 函数encode 的格式是：A ．code = encode(msg,n,k,'linear/fmt',genmat)B ．code = encode(msg,n,k,'cyclic/fmt',genpoly)C ．code = encode(msg,n,k,'hamming/fmt',prim_poly)其中A ．用于产生线性分组码，B ．用于产生循环码，C ．用于产生hamming 码，msgx 10-3图1-5曼彻斯特码图1-1 单极性不归零码 图1-3单极性归零码 图1-4双极性归零码图1-2双极性不归零码为待编码二进制序列，n为码字长度，k为分组msg长度，genmat为生成矩阵，维数为k*n，genpoly为生成多项式,缺省情况下为cyclpoly(n,k)。
逻辑斯蒂回归的损失函数求和项数与训练样本数相同逻辑斯蒂回归（Logistic Regression）是一种二分类算法，其目的是在给定输入特征的情况下，预测输出为1或0的概率。
在训练阶段，我们通过最小化损失函数来学习模型参数。
而这个损失函数通常被称为交叉熵损失函数。
交叉熵损失函数是用来评估模型预测结果与真实结果之间差距的一种方法。
对于逻辑斯蒂回归来说，它的目标是最小化错误率或误差概率。
因此，我们需要将交叉熵损失函数定义为：$$J(\theta)=-\frac{1}{m}\sum_{i=1}^{m}[y^{(i)}log(h_{\theta}(x^{(i)}))+(1-y^{(i)})log(1-h_{\theta}(x^{(i)}))]$$其中$J(\theta)$表示损失函数，$\theta$表示模型参数，$m$表示训练样本数，$y^{(i)}$表示第$i$个样本的真实标签值（0或1），$h_{\theta}(x^{(i)})$表示对第$i$个样本预测为1的概率值。
从式子可以看出，逻辑斯蒂回归的损失函数求和项数与训练样本数相同。
这是因为每个样本都会对损失函数产生一定的贡献，而我们需要将所有样本的贡献加起来，以得到最终的损失函数值。
具体来说，对于每个样本，我们都要计算其预测值与真实值之间的差距，并将其累加到总损失函数中。
如果预测值与真实值相同，则差距为0；否则，差距越大，则损失函数越大。
通过最小化总损失函数，我们可以优化模型参数，使其能够更好地拟合训练数据。
需要注意的是，在逻辑斯蒂回归中，我们使用了sigmoid函数来将线性回归模型的输出转换为概率值。
这个转换过程可以表示为：$$h_{\theta}(x)=\frac{1}{1+e^{-\theta^{T}x}}$$其中$\theta^{T}x$表示线性回归模型的输出结果。
通过将其带入sigmoid函数中，我们可以得到一个介于0和1之间的概率值。
如果概率大于等于0.5，则预测结果为1；否则，预测结果为0。
频繁项集和关联规则的计算（最新版）目录1.频繁项集的计算2.关联规则的计算3.应用实例正文在数据挖掘领域，频繁项集和关联规则的计算是挖掘关联规则的两个关键步骤。
频繁项集是指在数据集中出现频率达到一定阈值的项集，而关联规则则是指数据集中各个项之间的关系。
通过计算频繁项集和关联规则，我们可以发现数据集中有价值的信息，从而为决策提供依据。
下面我们将详细介绍频繁项集和关联规则的计算方法以及一个应用实例。
一、频繁项集的计算频繁项集是指在数据集中出现频率达到一定阈值的项集。
为了计算频繁项集，我们需要先定义一个支持度阈值，即满足该阈值的项集被称为频繁项集。
计算频繁项集的主要方法有 Apriori 算法和 FP-growth 算法。
1.Apriori 算法Apriori 算法是一种生成候选项集的方法，然后根据支持度阈值筛选出频繁项集。
算法的基本思想是：首先从单个项开始，逐步扩展项集，生成所有可能的项集；然后根据数据集中的统计信息，计算每个项集的支持度，筛选出支持度大于阈值的频繁项集。
2.FP-growth 算法FP-growth 算法是 Apriori 算法的改进算法，主要优点是减少了计算次数，提高了计算效率。
FP-growth 算法的基本思想是：根据数据集中的项频率信息，生成一个有向无环图（FP-tree），然后根据支持度阈值，从 FP-tree 中挖掘出频繁项集。
二、关联规则的计算关联规则是指数据集中各个项之间的关系，通常用支持度、置信度和提升度来度量。
计算关联规则的主要方法有 Apriori 算法和 FP-growth 算法。
1.Apriori 算法Apriori 算法在计算频繁项集的基础上，可以进一步挖掘关联规则。
算法的基本思想是：根据频繁项集生成满足最小置信度要求的关联规则。
2.FP-growth 算法FP-growth 算法也可以用于计算关联规则。
基于 FP-tree，可以生成满足最小支持度和置信度要求的关联规则。
