K-means算法是硬聚类算法，是典型的局域原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最有分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。

　　Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
　
该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递归的方法。
　（1） L1 = find_frequent_1-itemsets(D);
（2） for (k=2;Lk-1 ≠Φ ;k++) { 　　
（3） Ck = apriori_gen(Lk-1 ,min_sup); 　　
（4） for each transaction t ∈ D {//scan D for counts 　
　（5） Ct = subset(Ck,t);//get the subsets of t that are candidates 　
　（6） for each candidate c ∈ Ct 　　
（7） c.count++; 　
　（8） } 　　
（9） Lk ={c ∈ Ck|c.count≥min_sup} 　　
（10） } 　　
（11） return L= ∪ k Lk;
　　可能产生大量的候选集,以及可能需要重复扫描数据库，是Apriori算法的两大缺点。