Węzeł Apriori wykrywa reguły asocjacji w danych użytkownika.

Reguły asocjacji są instrukcjami w postaci:

if  antecedent(s)  then  consequent(s)

Na przykład, jeśli klient kupuje brzytwę i po goleniu, to klient zakupi krem do golenia przy 80% pewności siebie. Apriori wyodrębnia zestaw reguł z danych, wyciągając reguły z najwyższą zawartością informacji. Węzeł Apriori wykrywa również reguły asocjacji w danych. Apriori oferuje pięć różnych metod wyboru reguł i korzysta z wyrafinowanego schematu indeksowania w celu wydajnego przetwarzania dużych zbiorów danych.

Wymagania. Aby utworzyć zestaw reguł Apriori, wymagane jest co najmniej jedno pole Input i jedno lub więcej pól Target . Pola wejściowe i wyjściowe (te, które mają rolę Input, Targetlub Both) muszą być symboliczne. Pola o roli None są ignorowane. Przed wykonaniem węzła typy zmiennych muszą być zrealizowane jako instancje zmiennych. Dane mogą mieć format tabelaryczny lub transakcyjny.

Mocne strony. Dla dużych problemów, Apriori jest generalnie szybszy do trenowania. Brak jest arbitralnego limitu co do liczby zachowywanych reguł, możliwa jest obsługa reguł z maksymalnie 32 warunkami wstępnymi. Model Apriori oferuje pięć różnych metod szkolenia, co pozwala na bardziej elastyczne dopasowanie metod eksploracji danych do rozwiązywanego problemu.