适用于：
SQL Server 2019 及更早版本的 Analysis Services 
Azure Analysis Services Fabric/Power BI Premium
重要
SQL Server 2017 Analysis Services 中弃用了数据挖掘，现已在 SQL Server 2022 Analysis Services 中停止使用。 文档不会更新为已弃用和已停用的功能。 若要了解详细信息，请参阅 Analysis Services 向后兼容性。
Microsoft关联规则算法是已知 Apriori 算法的直接实现。
Microsoft决策树算法和Microsoft关联规则算法都可用于分析关联，但每个算法找到的规则可能有所不同。 在决策树模型中，导致特定规则的拆分基于信息收益，而在关联模型中，规则完全基于置信度。 因此，在关联模型中，强规则或置信度较高的规则可能不一定很有趣，因为它不提供新信息。
Microsoft关联算法的实现
Apriori 算法不分析模式，而是生成并计算 候选项集。 项可以表示事件、产品或属性的值，具体取决于要分析的数据的类型。
在最常见的关联模型布尔变量类型中，表示是/否或缺失/现有值，将分配给每个属性，例如产品或事件名称。 市场篮分析是关联规则模型的示例，该模型使用布尔变量来表示客户购物篮中是否存在或缺少特定产品。
对于每个项集，该算法将创建表示支持和置信度分数。 这些分数可用于对项集进行排名和派生有趣的规则。
还可以为数值属性创建关联模型。 如果属性是连续的，则可以 将数字离散化，或在 区间中分组。 然后，可以将离散化值作为布尔值或属性值对进行处理。
支持、概率和重要性
支持，有时称为频率，是指包含目标项或项组合的事例数。 只有至少具有指定支持量的项才能包含在模型中。
频繁项集是指项的集合，其项组合的支持度超过MINIMUM_SUPPORT参数定义的阈值。 例如，如果项集为 {A，B，C} 且MINIMUM_SUPPORT值为 10，则必须在至少 10 个事例中找到每个项 A、B 和 C 才能包含在模型中，并且必须在至少 10 个事例中找到项 {A，B，C} 的组合。
注意 还可以通过指定项集的最大长度来控制挖掘模型中的项集数，其中长度表示项数。
默认情况下，对任何特定项或项集的支持表示包含该项或项的事例计数。 但是，您也可以通过输入小于1的小数，将“MINIMUM_SUPPORT”表示为数据集中总案例的百分比形式。 例如，如果指定MINIMUM_SUPPORT值为 0.03，则表示数据集中总事例的至少 3% 必须包含此项或项集才能包含在模型中。 应试验模型，以确定使用计数还是百分比更有意义。
相比之下，规则的阈值不表示为计数或百分比，而是表示为概率，有时称为 置信度。 例如，如果项集 {A，B，C} 发生在 50 个事例中，但项集 {A，B，D} 也发生在 50 个事例中，而另外 50 个事例中的项集 {A，B} 显然不是 {C} 的强预测值。 因此，若要根据所有已知结果对特定结果进行加权，SQL Server Analysis Services 通过将对项集 {A、B，C} 的支持除以对所有相关项集的支持来计算单个规则（如 If {A，B} Then {C}）的概率。
可以通过设置MINIMUM_PROBABILITY的值来限制模型生成的规则数。
对于创建的每个规则，SQL Server Analysis Services 输出一个分数，指示其 重要性，也称为 提升。 提升度重要性以不同的计算方式计算项集和规则。
项集的重要性计算为项集的概率除以项集中各个项的复合概率。 例如，如果项集包含 {A，B}，SQL Server Analysis Services 首先计算包含此组合 A 和 B 的所有事例，并将其除以事例总数，然后规范化概率。
规则的重要性是通过在给定规则左侧条件下，计算规则右侧的对数似然来确定的。 例如，在规则 If {A} Then {B}中，SQL Server Analysis Services 计算包含 A 和 B 的事例与包含 B 但不含 A 的事例之间的比率，然后使用对数刻度对该比率进行规范化处理。
特征选择
Microsoft关联规则算法不执行任何类型的自动功能选择。 相反，该算法提供用于控制算法使用的数据的参数。 这可能包括每个项集的大小限制，或设置向模型添加项集所需的最大和最小支持。
若要筛选掉过于常见因而不感兴趣的项和事件，请减小MAXIMUM_SUPPORT的值，从模型中删除非常频繁的项集。
若要筛选出很少见的项目和项集，请增加MINIMUM_SUPPORT的值。
若要筛选出规则，请增加MINIMUM_PROBABILITY的值。
自定义 Microsoft 关联规则算法
Microsoft关联规则算法支持影响生成的挖掘模型的行为、性能和准确性的多个参数。
设置算法参数
可以使用 SQL Server Data Tools 中的数据挖掘设计器随时更改挖掘模型的参数。 还可以通过在 AMO 中使用 AlgorithmParameters 集合或使用 XMLA 中的 MiningModels 元素（ASSL） 以编程方式更改参数。 下表描述了每个参数。
注释
不能使用 DMX 语句更改现有模型中的参数;必须在 DMX CREATE MODEL 或 ALTER STRUCTURE 中指定参数...创建模型时添加 MODEL。
MAXIMUM_ITEMSET_COUNT
指定要生成的项集的最大数目。 如果未指定数字，则使用默认值。
默认值为 200000。
注释
项集按支持排名。 在具有相同支持的项集中，排序是任意的。
MAXIMUM_ITEMSET_SIZE
指定项集中允许的最大项数。 将此值设置为 0 指定项集的大小没有限制。
默认值是3。
注释
降低此值可能会减少创建模型所需的时间，因为达到限制时模型处理会停止。
MAXIMUM_SUPPORT
指定项集支持的最大实例数量。 此参数可用于消除经常出现的项，因此可能没有什么意义。
如果此值小于 1，则该值表示总事例的百分比。 大于 1 的值表示可以包含项集的事例的绝对数。
默认值为 1。
MINIMUM_ITEMSET_SIZE
指定项集中允许的最小项数。 如果增加此数字，则模型可能包含较少的项集。 例如，如果要忽略单项项集，这非常有用。
默认值为 1。
注释
不能通过增加最小值来减少模型处理时间，因为 SQL Server Analysis Services 必须在处理过程中计算单个项的概率。 但是，通过将此值设置为更高，可以筛选出较小的项集。
MINIMUM_PROBABILITY
指定规则为 true 的最小概率。
例如，如果将此值设置为 0.5，则表示无法生成小于 50% 概率的规则。
默认值为 0.4。
MINIMUM_SUPPORT
指定在算法生成规则之前，项集必须包含的最小实例数。
如果将此值设置为小于 1，则最小事例数将计算为总事例的百分比。
如果将此值设置为大于 1 的整数，则指定最小案例数，其计算方式为必须包含项目集的案例计数。 如果内存有限，算法可能会自动增加此参数的值。
默认值为 0.03。 这意味着要包含在模型中，项集必须在至少 3% 的案例中被找到。
OPTIMIZED_PREDICTION_COUNT
定义要缓存以优化预测的项数。
默认值为 0。 使用默认值时，算法将生成查询中请求的预测数。
如果为OPTIMIZED_PREDICTION_COUNT指定非零值，即使请求其他预测 ， 预测查询最多可以返回指定的项数。 但是，设置值可以提高预测性能。
例如，如果该值设置为 3，则算法仅缓存 3 个用于预测的项。 您无法看到与返回的 3 个项目同样可能的其他预测。
建模标志
支持将以下建模标志用于Microsoft关联规则算法。
不可为空
指示该列不能包含 null。 如果 SQL Server Analysis Services 在模型训练过程中遇到 null，则会出现错误。
适用于挖掘结构列。
MODEL_EXISTENCE_ONLY
表示将列视为具有两种可能状态： Missing 和 Existing。 null 是缺失值。
适用于挖掘模型列。
要求
关联模型必须包含键列、输入列和单个可预测列。
输入列和可预测列
Microsoft关联规则算法支持下表中列出的特定输入列和可预测列。 有关挖掘模型中内容类型的含义的详细信息，请参阅内容类型（数据挖掘）。
| 列 | 内容类型 |
|---|---|
| 输入属性 | 循环、离散、离散化、键、表、有序 |
| 可预测属性 | 循环性、离散、离散化、表格、有序 |
注释
支持循环和有序内容类型，但算法将它们视为离散值，并且不执行特殊处理。
另请参阅
Microsoft关联算法
关联模型查询示例
关联模型的挖掘模型内容（Analysis Services - 数据挖掘）