本次共进行了9组实验，使用了weka安装目录data文件夹下的contact-lenses.arff数据。
toolsàarffviewer，打开contact-lenses，可以看到实验数据contact-lenses共有24条记录，5个属性值。具体内容如下：
结合实验结果阐释下列12个参数的含义
1. car 如果设为真，则会挖掘类关联规则而不是全局关联规则。
2. classindex 类属性索引。如果设置为-1，最后的属性被当做类属性。
3. delta 以此数值为迭代递减单位。不断减小支持度直至达到最小支持度或产生了满足数量要求的规则。
4. lowerboundminsupport 最小支持度下界。
5. metrictype 度量类型。设置对规则进行排序的度量依据。可以是：置信度（类关联规则只能用置信度挖掘），提升度(lift)，杠杆率(leverage)，确信度(conviction)。
在 weka中设置了几个类似置信度(confidence)的度量来衡量规则的关联程度，它们分别是：
a) lift ： p(a,b)/(p(a)p(b)) lift=1时表示a和b独立。这个数越大(>1)，越表明a和b存在于一个购物篮中不是偶然现象,有较强的关联度.
b) leverage :p(a,b)-p(a)p(b)
leverage=0时a和b独立，leverage越大a和b的关系越密切
c) conviction:p(a)p(!b)/p(a,!b) （!b表示b没有发生） conviction也是用来衡量a和b的独立性。从它和lift的关系（对b取反，代入lift公式后求倒数）可以看出，这个值越大, a、b越关联。
6. minmtric 度量的最小值。
7. numrules 要发现的规则数。
8. outputitemsets 如果设置为真，会在结果中输出项集。
9. removeallmissingcols 移除全部为缺省值的列。
10. significancelevel 重要程度。重要性测试（仅用于置信度）。
11. upperboundminsupport 最小支持度上界。 从这个值开始迭代减小最小支持度。
12. verbose 如果设置为真，则算法会以冗余模式运行。
=== run information === // 实验运行信息
scheme: weka.associations.apriori -i -n 10 -t 0 -c 0.9 -d 0.05 -u 1.0 -m 0.5 -s -1.0 -c -1
relation: contact-lenses //数据的名称 contact-lenses
instances: 24 //数据的记录数 24
attributes: 5 //属性数目 5以及各属性名称
age
spectacle-prescrip
astigmatism
tear-prod-rate
contact-lenses
=== associator model (full training set) ===
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% scheme -所选的关联规则挖掘方案： apriori算法
% 算法的参数设置：-i -n 10 -t 0 -c 0.9 -d 0.05 -u 1.0 -m 0.5 -s -1.0 -c -1 ;
% 各参数依次表示：
% i - 输出项集，若设为false则该值缺省;
% n 10 - 规则数为10;
% t 0 – 度量单位选为置信度，(t1-提升度，t2杠杆率，t3确信度);
% c 0.9 – 度量的最小值为0.9;
% d 0.05 - 递减迭代值为0.05;
% u 1.0 - 最小支持度上界为1.0;
% m 0.5 - 最小支持度下届设为0.5;
% s -1.0 - 重要程度为-1.0;
% c -1 - 类索引为-1输出项集设为真
% (由于car, removeallmissingcols, verbose都保持为默认值false，因此在结果的参数设置为缺省，若设为true，则会在结果的参数设置信息中分别表示为a,
r,v)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
apriori // apriori算法运行结果
=======
minimum support: 0.5 (12 instances) //最小支持度0.5，即最少需要12个实例
minimum metric <confidence>: 0.9 //最小度量<置信度>:
0.9
number of cycles performed: 10 //进行了10轮搜索
generated sets of large itemsets: //生成的频繁项集
size of set of large itemsets l(1): 7 //频繁1项集：7个
large itemsets l(1): //频繁1项集(outputitemsets设为true, 因此下面会具体列出)
spectacle-prescrip=myope 12
spectacle-prescrip=hypermetrope 12
astigmatism=no 12
astigmatism=yes 12
tear-prod-rate=reduced 12
tear-prod-rate=normal 12
contact-lenses=none 15
%%%%%%%%%%%%%%%%%%%%%%%%
在上面所示数据界面中，分别点击标签spectacle-prescrip，astigmatism，tear-prod-rate和contact-lenses，该列的值会自动进行分类排序，可以很方便的对上面结果进行。点击age标签，其值按pre-presbiopic、presbiopic和young分类排序，可以看到各属性值的记录数均为8<12，不满足最小支持度，因此age属性的所有取值都没有列在上面结果中。
size of set of large itemsets l(2): 1 //频繁2项集： 1个
large itemsets l(2):
tear-prod-rate=reduced contact-lenses=none 12
//tear-prod-rate取值为reduced且 contact-lenses取值为none 的记录数共有12个
best rules found: //最佳关联规则
1. tear-prod-rate=reduced 12 ==> contact-lenses=none 12 conf:(1)
// 若tear-prod-rate取值为reduced可以推出 contact-lenses的取值为none，该关联规则置信度为100%
1． 实验中，若其它参数保持为默认值，将最小支持度下界设为0.8，则运行结果会显示”no large itemsets and rules found!”，即找不到满足条件的关联规则。
2． 若其它参数保持为默认值，将最小支持度下界设为0.25，上界设为0.8，度量选为置信度，最小值为0.8，则运行结果找到：频繁1项集10个，频繁2项集18个，频繁3项集4个，找到的最佳关联规则为：
1. tear-prod-rate=reduced 12 ==> contact-lenses=none 12 conf:(1)
2. spectacle-prescrip=myope tear-prod-rate=reduced 6 ==> contact-lenses=none 6 conf:(1)
3. spectacle-prescrip=hypermetrope tear-prod-rate=reduced 6 ==> contact-lenses=none 6 conf:(1)
4. astigmatism=no tear-prod-rate=reduced 6 ==> contact-lenses=none 6 conf:(1)
5. astigmatism=yes tear-prod-rate=reduced 6 ==> contact-lenses=none 6 conf:(1)
6. spectacle-prescrip=myope contact-lenses=none 7 ==> tear-prod-rate=reduced 6 conf:(0.86)
7. astigmatism=no contact-lenses=none 7 ==> tear-prod-rate=reduced 6 conf:(0.86)
3． 若其它参数保持为默认值，将最小支持度下界设为0.25，上界设为0.8，度量选为提升度(lift ： p(a,b)/(p(a)p(b)))，最小值为1.1，则运行结果找到10条最佳关联规则，前3条如下：
1. tear-prod-rate=reduced 12 ==> spectacle-prescrip=myope contact-lenses=none 6 conf:(0.5) < lift:(1.71)> lev:(0.1) [2] conv:(1.21)
2. spectacle-prescrip=myope contact-lenses=none 7 ==> tear-prod-rate=reduced 6 conf:(0.86) < lift:(1.71)> lev:(0.1) [2] conv:(1.75)
3. tear-prod-rate=reduced 12 ==> astigmatism=no contact-lenses=none 6 conf:(0.5) < lift:(1.71)> lev:(0.1) [2] conv:(1.21)
4． 若其它参数保持为默认值，将最小支持度下界设为0.25，上界设为0.8，度量选为杠杆率(leverage:p(a,b)-p(a)p(b),在下面第一条规则中，[4]表示满足lev:(0.19)的实例数目)，最小值为0.1，则运行结果找到6条最佳关联规则，前3条如下：
1. tear-prod-rate=reduced 12 ==> contact-lenses=none 12 conf:(1) lift:(1.6) < lev:(0.19) [4]> conv:(4.5)
2. contact-lenses=none 15 ==> tear-prod-rate=reduced 12 conf:(0.8) lift:(1.6) < lev:(0.19) [4]> conv:(1.88)
3. tear-prod-rate=reduced 12 ==> spectacle-prescrip=myope contact-lenses=none 6
5． 若其它参数保持为默认值，将最小支持度下界设为0.25，上界设为0.8，度量选为确信度(conviction:p(a)p(!b)/p(a,!b))，最小值为1.1，则运行结果找到10条最佳关联规则，前3条如下：
1. tear-prod-rate=reduced 12 ==> contact-lenses=none 12 conf:(1) lift:(1.6) lev:(0.19) [4] < conv:(4.5)>
2. spectacle-prescrip=myope tear-prod-rate=reduced 6 ==> contact-lenses=none 6 conf:(1) lift:(1.6) lev:(0.09) [2] < conv:(2.25)>
3. spectacle-prescrip=hypermetrope tear-prod-rate=reduced 6 ==> contact-lenses=none 6 conf:(1) lift:(1.6) lev:(0.09) [2] < conv:(2.25)>