相関ルール学習（アソシエーションルール学習）とは？仕組みと代表的なアルゴリズムを解説

相関ルール学習とは

相関ルール学習（アソシエーションルール学習）は、教師なし学習に分類される機械学習手法の一つです。あるデータ要素が別のデータ要素にどの程度依存しているかを検証し、その結果をもとにより費用対効果の高い設計を行うことを目的としています。

具体的には、データセット内の変数同士の間に潜む興味深い関係性や関連性を自動的に発見する手法であり、データベース内の変数間の関連を見つけ出すために、さまざまなルール（支持度・確信度などの指標）が用いられます。

相関ルール学習は機械学習における最も重要なアプローチの一つとされており、マーケットバスケット分析、Web利用マイニング、連続生産（製造工程の最適化）など、幅広い分野で実用化されています。

Webマイニングとの関係

Webマイニングは、データマイニング手法をインターネット向けに適応・応用したものと捉えることができます。データマイニングとは、主に構造化されたデータに対してアルゴリズムを適用し、知識発見プロセスの中でパターンを抽出する技術を指します。

Webマイニングには、多様なデータ型を扱えるという独自の特徴があります。Webには複数の側面があり、それぞれが異なるマイニングのアプローチを可能にします。たとえば、以下のようなデータ源が挙げられます。

• Webページに含まれるテキスト情報
• ハイパーリンクによるページ間の接続構造
• Webサーバーログから把握できるユーザーの行動履歴

マーケットバスケット分析への活用

マーケットバスケット分析では、顧客が買い物かごに一緒に入れる商品同士の関連性を発見することで、購買習慣を分析します。この分析により、小売業者は「どの商品が一緒に購入されやすいのか」を把握し、効果的なマーケティング戦略を立案できます。

こうした関連性の把握は、ターゲットを絞った選択的マーケティングや効率的な棚割り（陳列計画）を可能にし、結果として売上の増加につながります。大手小売業者の多くがこの手法を採用しているのはこのためです。

相関ルール学習の主な種類

相関ルール学習には、代表的なアルゴリズムとして以下の3つがあります。

1. Aprioriアルゴリズム

Aprioriアルゴリズムは、アソシエーションルールを生成するために頻出データセットを必要とする手法です。トランザクション（取引記録）を含むデータベースでの動作を前提に設計されており、アイテムセットを効率的に計算するために幅優先探索とハッシュツリーを利用します。

一般的にはマーケットバスケット分析で使用され、「一緒に購入されやすい商品の組み合わせ」を学習するのに役立ちます。また、医療分野では患者の薬物反応の発見などにも応用されています。

2. Eclatアルゴリズム

Eclatは「Equivalence Class Transformation（同値クラス変換）」の略称です。トランザクションデータベース内の頻出アイテムセットを発見するために深さ優先探索方式を採用しており、Aprioriアルゴリズムと比較してより高速な処理を実現できます。

3. FP-Growthアルゴリズム

FP-Growthは「Frequent Pattern（頻出パターン）」の略称で、Aprioriアルゴリズムの改良版にあたる手法です。データベースをFP-tree（頻出パターンツリー）と呼ばれるツリー構造で表現し、このツリーから最も頻度の高いパターンを効率よく抽出することを目的としています。