연관 규칙 학습은 한 데이터 요소가 다른 데이터 요소에 종속되는지 테스트하고 적절하게 생성하여 더 효과적일 수 있도록 하는 일종의 비지도 학습 방법입니다. 데이터 세트의 변수 사이에 흥미로운 관계나 관계를 찾으려고 합니다. 데이터베이스에서 변수 간의 흥미로운 관계를 찾는 것은 여러 규칙에 따라 다릅니다.
연관 규칙 학습은 머신 러닝의 중요한 기술이며 장바구니 분석, 웹 사용 마이닝, 연속 생산 등에 사용됩니다. 장바구니 분석에서 여러 대형 소매업체가 항목 간의 관계를 찾는 데 적절하게 사용합니다. .
연결 규칙은 원래 함께 구매되는 제품을 나타내는 POS 데이터에서 변환되었습니다. 그 뿌리는 POS(point-of-sale) 거래를 연결하는 데 있지만 연결 규칙은 소매 시장 외부에서 "바구니" 유형 간의 관계를 찾는 데 사용할 수 있습니다.
다음과 같은 연관 규칙의 다양한 적용이 있습니다 -
-
렌터카 및 호텔 객실과 같이 신용 카드로 구매한 품목은 고객이 구매할 가능성이 있는 다음 제품에 대한 통찰력을 지원합니다.
-
전화연결 사용자가 구매한 옵션 서비스(통화대기, 착신전환, DSL, 고속통화 등) 지원은 이러한 기능을 결합하여 수익을 극대화하는 방법을 결정합니다.
-
소매 사용자가 사용하는 은행 서비스(화폐 산업 계좌, CD, 투자 서비스, 자동차 대출 등)는 다른 서비스가 필요할 가능성이 있는 사용자를 인식합니다.
-
비정상적인 보험 청구 그룹은 사기의 표현이 될 수 있으며 더 높은 조사를 촉발할 수 있습니다.
-
의료 환자의 병력은 확실한 치료 세트를 기반으로 하여 발생할 수 있는 합병증의 표현을 뒷받침할 수 있습니다.
협회 규정은 기대에 부응하지 못합니다. 예를 들어, 규칙이 이전 마케팅 판촉을 설명하기 때문에 소매 은행과 같은 시장에서 교차 판매 모델을 생성하는 가장 좋은 방법은 아닙니다. 또한 소매 은행에서 사용자는 종종 당좌 예금 계좌로 시작한 다음 저축 계좌로 시작합니다. 사용자가 더 높은 제품을 가질 때까지 제품 간의 차별화는 발생하지 않습니다.
Apriori Algorithm에서 이 알고리즘은 연관 규칙을 생성하기 위해 빈번한 데이터 세트가 필요했습니다. 트랜잭션을 포함하는 데이터베이스에서 작동하도록 만들어졌습니다. 이 알고리즘은 항목 집합을 효과적으로 계산하기 위해 너비 우선 검색과 해시 트리가 필요했습니다.
일반적으로 장바구니 분석 및 구매할 수 있는 제품에 대한 이해를 지원하는 데 사용됩니다. 의료 분야에서 환자에 대한 약물 반응을 발견하는 데 사용됩니다.
Eclat 알고리즘에서는 Equivalence Class Transformation을 나타냅니다. 이 알고리즘은 트랜잭션 데이터베이스에서 빈번한 항목 집합을 발견하기 위해 깊이 우선 검색 방법이 필요했습니다. Apriori 알고리즘보다 빠른 구현을 구현합니다.