マルチレベルの関連付けルールを発見する:Apriori を使用して製品からカテゴリまで

相関ルール マイニングでは、サポート (頻度) と信頼度 (信頼性) によって測定される「A であれば B」ルールを使用して、データセット内の項目間の関係を検出します。マルチレベル相関ルール マイニングは、これを拡張して、たとえば個々の製品と製品カテゴリの間など、さまざまな粒度レベルでの関係を見つけます。

関連付けルールの基本

Apriori アルゴリズムは、マイニング関連ルールに広く使用されています。候補アイテムセットを繰り返し生成し、サポート/信頼しきい値を下回るアイテムセットを削除します。

電子機器 ラップトップ 電話 タブレット Dell HP レベル 0 レベル 1 レベル 2

タイプ

• さまざまな次元（製品、地域、時間）にわたる多次元の関係
• 粒度レベルにわたるマルチレベルの関係（個々のアイテム ↔ カテゴリ）

サポートしきい値アプローチ

アプローチ 説明 トレードオフ 均一なサポートすべてのレベルで同じしきい値シンプルだが、低レベルのパターンを見逃す可能性があるサポートの軽減下位レベルではしきい値が低いより多くのパターンを検出しますが、計算量は多くなりますグループベースのサポートエキスパートはグループ/カテゴリごとにしきい値を設定します最も柔軟で、ドメインの知識が必要です

アプリケーション

• 小売顧客の購買行動、商品配置の最適化
• ヘルスケア 疾患パターンの特定、治療の最適化
• 不正検出 金融および保険における異常検出
• ウェブマイニング ユーザーの好みの分析、コンテンツのパーソナライゼーション
• ソーシャル ネットワーク コミュニティの検出、インフルエンサーの特定

課題

• 高次元性 属性の数が多いと複雑さが増します。
• 大規模なデータセット レコードの量が多いと処理が遅くなります。
• スケーラビリティ データセットが大きすぎてメモリに収まらない場合は、分散アプローチが必要です。

結論

マルチレベル相関ルール マイニングは、単一レベル マイニングでは見逃されるさまざまな粒度レベルでの関係を発見します。サポートしきい値アプローチ (均一、削減、またはグループベース) の選択により、パターン検出と計算コストのバランスがとれます。これは、小売、ヘルスケア、不正行為検出、ウェブ マイニングに広く適用されています。