แอปพลิเคชันของ Association Rule
Association rule learning เป็น unsupervised learning method ที่ทดสอบ dependence ของ data element หนึ่งต่ออีก element และสร้างให้มีประสิทธิภาพมากขึ้น พยายามค้นพบ interesting relations ระหว่าง variables ใน dataset ขึ้นอยู่กับหลาย rules หา interesting relations ระหว่าง variables ใน database
Association rule learning เป็น important technique ของ machine learning ใช้ใน Market Basket analysis, Web usage mining, continuous production, เป็นต้น ใน market basket analysis เป็น technique ที่ใหญ่ retailers ใช้หา relations ระหว่าง items
Association rules มาจาก point-of-sale data แสดงว่าสินค้าอะไรถูกซื้อร่วมกัน แม้รากรากอยู่ใน linking point-of-sale transactions association rules ใช้ได้นอก retail market หา relationships ระหว่าง types ของ "baskets"
แอปพลิเคชันหลัก
- Items purchased on a credit card (เช่น rental cars, hotel rooms) ให้ insight สินค้าถัดไปที่ customer น่าจะซื้อ
- Optional services purchased by telecom users (call waiting, call forwarding, DSL, speed call) ช่วยตัดสินว่าจะ bundle functions ยังไงเพื่อ maximize revenue
- Banking services used by retail customers (money market accounts, CDs, investment services, car loans) ระบุ customers ที่น่าจะต้องการ services อื่นๆ
- Unusual groups of insurance claims อาจบ่งชี้ fraud และกระตุ้นการสอบสวนเพิ่มเติม
- Medical patient histories สนับสนุน expressions ของ likely complications จากชุด treatments เฉพาะ
Association rules ไม่ตอบโจทย์คาดหวัง ตัวอย่าง: ไม่ใช่ best method สำหรับ cross-selling models ใน retail banking เพราะ rules อธิบาย previous marketing promotions ใน retail banking customers มักเริ่ม checking account แล้ว savings account Differentiation ระหว่าง products ไม่เกิดจนกว่าจะมีหลาย products
ใน Apriori Algorithm: ต้องการ frequent datasets สร้าง association rules ออกแบบทำงานบน databases ที่มี transactions ใช้ breadth-first search และ hash tree คำนวณ itemset อย่างมีประสิทธิภาพ ใช้ market basket analysis เข้าใจสินค้าที่ซื้อร่วมกัน ใช้ใน healthcare หา drug reactions
ใน Eclat algorithm: Equivalence Class Transformation ใช้ depth-first search หา frequent itemsets ใน transaction database ทำงานเร็วกว่า Apriori Algorithm
