在使用Apriori算法进行关联规则挖掘时，有时候可能会得到一些置信度意外的结果。这种情况通常是由于数据集中某些项集的支持度很低，导致算法无法计算出准确的置信度。

解决这个问题的一种方法是通过设置支持度的阈值来筛选掉支持度较低的项集。这样可以减少计算量，并且得到的关联规则的置信度更加可靠。下面是一个示例代码：

def generate_association_rules(dataset, min_support, min_confidence):
    # 构建频繁项集
    frequent_itemsets = generate_frequent_itemsets(dataset, min_support)
    
    # 构建关联规则
    association_rules = []
    for itemset in frequent_itemsets:
        if len(itemset) > 1:
            rules = generate_rules(itemset)
            for rule in rules:
                confidence = calculate_confidence(rule)
                if confidence >= min_confidence:
                    association_rules.append(rule)
    
    return association_rules

def generate_frequent_itemsets(dataset, min_support):
    frequent_itemsets = []
    candidate_itemsets = []
    
    # 生成候选项集
    for transaction in dataset:
        for item in transaction:
            if not [item] in candidate_itemsets:
                candidate_itemsets.append([item])
    
    # 根据支持度筛选候选项集
    frequent_itemsets = filter_itemsets(candidate_itemsets, dataset, min_support)
    
    return frequent_itemsets

def filter_itemsets(candidate_itemsets, dataset, min_support):
    frequent_itemsets = []
    item_count = {}
    for itemset in candidate_itemsets:
        count = 0
        for transaction in dataset:
            if set(itemset).issubset(set(transaction)):
                count += 1
        support = float(count) / len(dataset)
        if support >= min_support:
            frequent_itemsets.append(itemset)
    
    return frequent_itemsets

def generate_rules(itemset):
    rules = []
    for i in range(1, len(itemset)):
        subsets = combinations(itemset, i)
        for subset in subsets:
            rule = (list(subset), list(set(itemset) - set(subset)))
            rules.append(rule)
    
    return rules

def calculate_confidence(rule):
    # 计算置信度，省略具体实现
    return confidence

# 定义数据集
dataset = [['A', 'B', 'C'], ['A', 'B', 'D'], ['B', 'C', 'D']]
min_support = 0.5
min_confidence = 0.7

# 生成关联规则
association_rules = generate_association_rules(dataset, min_support, min_confidence)

# 输出结果
for rule in association_rules:
    print(rule)

在上面的示例代码中，generate_association_rules函数用于生成关联规则。首先根据最小支持度筛选出频繁项集，然后根据频繁项集生成关联规则，并根据最小置信度筛选出符合要求的关联规则。最后输出结果。

这样，在关联规则挖掘过程中，可以通过设置适当的支持度和置信度阈值来得到更可靠的结果。