アソシエーションルールの仕組みは何ですか？

相関ルール学習は、あるデータ要素の別のデータ要素への依存性をテストし、より効果的になるように適切に作成する教師なし学習方法の一種です。データセットの変数間のいくつかの興味深い関係または関係を発見しようとします。データベース内の変数間の興味深い関係を見つけるには、いくつかのルールに依存します。

相関ルール学習は機械学習の重要な手法であり、マーケットバスケット分析、Web使用マイニング、連続生産などで使用されます。マーケットバスケット分析では、複数の大手小売業者がアイテム間の関係を見つけるのに適しています。

マーケットバスケット分析では、ユーザーが買い物かごに入れるさまざまなアイテム間の関連性を発見することで、ユーザーの購買習慣を分析します。そのような関連性を見つけることにより、小売業者は、どのコンポーネントが通常ユーザーによって購入されるかを分析することによってアプローチされるマーケティングを作成します。この関連付けは、小売業者に棚スペースの選択的なマーケティングとデザインを提供することで、売り上げの増加に影響を与える可能性があります。

マルチレベルアソシエーションのよく知られたアプリケーション分野はマーケットバスケット分析です。これは、概念階層の概念で示された、頻繁に一緒に購入されるアイテムのグループを検索することによって、ユーザーの購入習慣を理解します。

アソシエーションルールは、1つ以上の製品またはサービスの提供と、トランザクションに関するいくつかの基本的なデータを含むトランザクションから始まります。分析の目的で、提供する製品とサービスはアイテムと呼ばれます。

これらのトランザクションは、購入したアイテムのみを含めるために使用されています。日時や、ユーザーが現金で支払ったかクレジットカードで支払ったかなどのデータを使用できます。

すべてのトランザクションは、どの製品が他のどの製品と一緒に購入されたかに関するデータを提供します。これは、いくつかの製品のペアが一緒に購入されたことを複数回示す同時出現テーブルに表示されます。

これらの観察結果は関連性の例であり、ユーザーがソーダを購入した場合、ユーザーはオレンジジュースも購入するなどの正式なルールを示唆する可能性があります。データでは、5つのトランザクションのうち2つに、ソーダとオレンジジュースの両方が含まれています。これらの2つのトランザクションがルールを提供します。ルールのサポートは、5分の2または40パーセントです。

ソーダを含む両方のトランザクションにはオレンジジュースも含まれているため、ルールにも大きな信頼があります。ソーダを含む3つのトランザクションのうち2つにはオレンジジュースも含まれているため、「ソーダの場合はオレンジジュース」というルールの信頼度は67％です。 「オレンジジュースの場合はソーダ」という逆のルールは、信頼度が低くなります。