กฎของสมาคมมีการใช้งานอย่างไร?

การเรียนรู้กฎการเชื่อมโยงเป็นวิธีการเรียนรู้แบบไม่มีผู้ดูแลที่ทดสอบการพึ่งพาองค์ประกอบข้อมูลหนึ่งกับองค์ประกอบข้อมูลอื่นและสร้างอย่างเหมาะสมเพื่อให้มีประสิทธิภาพมากขึ้น พยายามค้นหาความสัมพันธ์หรือความสัมพันธ์ที่น่าสนใจระหว่างตัวแปรของชุดข้อมูล การค้นหาความสัมพันธ์ที่น่าสนใจระหว่างตัวแปรในฐานข้อมูลขึ้นอยู่กับกฎหลายข้อ

การเรียนรู้กฎการเชื่อมโยงเป็นเทคนิคที่สำคัญของการเรียนรู้ด้วยเครื่อง และใช้ในการวิเคราะห์ตะกร้าตลาด การขุดการใช้เว็บ การผลิตอย่างต่อเนื่อง ฯลฯ ในการวิเคราะห์ตะกร้าตลาด เป็นการเพียงพอที่ผู้ค้าปลีกรายใหญ่หลายแห่งใช้เพื่อค้นหาความสัมพันธ์ระหว่างสินค้า .

แต่เดิมกฎของสมาคมได้เปลี่ยนจากข้อมูล ณ จุดขายที่แสดงถึงผลิตภัณฑ์ที่ซื้อร่วมกัน แม้ว่ารากของมันจะเชื่อมโยงธุรกรรม ณ จุดขาย แต่กฎการเชื่อมโยงสามารถใช้ภายนอกตลาดค้าปลีกเพื่อค้นหาความสัมพันธ์ระหว่างประเภทของ "ตะกร้า"

กฎสมาคมมีการใช้งานต่างๆ ดังนี้ -

• รายการที่ซื้อด้วยบัตรเครดิต เช่น รถเช่าและห้องพักในโรงแรม รองรับข้อมูลเชิงลึกเกี่ยวกับผลิตภัณฑ์ต่อไปนี้ที่ลูกค้ามีแนวโน้มจะซื้อ

• บริการเสริมที่ซื้อโดยผู้ใช้ที่มีการเชื่อมต่อทางไกล (การรอสาย การโอนสาย DSL โทรด่วน ฯลฯ) จะตัดสินใจเลือกวิธีรวมฟังก์ชันเหล่านี้เพื่อเพิ่มรายได้สูงสุด

• บริการธนาคารที่ผู้ใช้รายย่อยใช้ (บัญชีอุตสาหกรรมเงิน ซีดี บริการด้านการลงทุน สินเชื่อรถยนต์ ฯลฯ) ระบุผู้ใช้ที่มีแนวโน้มว่าจะต้องการบริการอื่นๆ

• กลุ่มการเรียกร้องค่าสินไหมทดแทนที่ผิดปกติอาจเป็นการแสดงออกถึงการฉ้อโกงและจุดชนวนให้เกิดการสอบสวนที่สูงขึ้น

• ประวัติผู้ป่วยทางการแพทย์สามารถสนับสนุนการแสดงออกของภาวะแทรกซ้อนที่อาจเกิดขึ้นตามชุดการรักษาที่แน่นอน

กฎของสมาคมเป็นไปตามความคาดหวัง ตัวอย่างเช่น ไม่ใช่วิธีที่ดีที่สุดสำหรับการสร้างแบบจำลองการขายต่อเนื่องในตลาด เช่น การธนาคารเพื่อรายย่อย เนื่องจากกฎเกณฑ์จบลงด้วยการอธิบายการส่งเสริมการขายทางการตลาดครั้งก่อน นอกจากนี้ ในธุรกิจธนาคารรายย่อย ผู้ใช้มักเริ่มต้นด้วยบัญชีเช็คและบัญชีออมทรัพย์ ความแตกต่างระหว่างผลิตภัณฑ์จะไม่เกิดขึ้นจนกว่าผู้ใช้จะมีผลิตภัณฑ์ที่สูงขึ้น

ใน Apriori Algorithm อัลกอริทึมนี้จำเป็นต้องมีชุดข้อมูลบ่อยครั้งเพื่อสร้างกฎการเชื่อมโยง มันถูกสร้างขึ้นเพื่อทำงานบนฐานข้อมูลที่มีธุรกรรม อัลกอริธึมนี้ต้องการการค้นหาแบบกว้างๆ และ hash tree เพื่อคำนวณชุดไอเท็มอย่างมีประสิทธิภาพ

โดยทั่วไปจะใช้สำหรับการวิเคราะห์ตะกร้าตลาดและสนับสนุนเพื่อให้เข้าใจถึงผลิตภัณฑ์ที่สามารถซื้อได้ ใช้ในพื้นที่ด้านการดูแลสุขภาพเพื่อค้นหาปฏิกิริยาของยาสำหรับผู้ป่วย

ในอัลกอริธึม Eclat มันแสดงถึงการแปลงคลาส Equivalence อัลกอริธึมนี้ต้องใช้วิธีการค้นหาเชิงลึกเพื่อค้นหาชุดรายการบ่อยครั้งในฐานข้อมูลธุรกรรม มันนำการนำไปใช้งานได้เร็วกว่า Apriori Algorithm