การทำงานของ Association Rule
Association rule learning เป็น unsupervised learning method ที่ทดสอบ dependence ของ data element หนึ่งต่ออีก element และสร้างให้ effective มากขึ้น 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 ใช้โดย big retailers หา relations ระหว่าง items
Market Basket Analysis: การวิเคราะห์พฤติกรรมซื้อ
ใน market basket analysis พฤติกรรมซื้อของ users วิเคราะห์โดยหา associations ระหว่าง different items ที่ users วางใน shopping baskets โดยหา associations เหล่านี้ retailers สร้าง marketing approaches โดยวิเคราะห์ว่าสินค้าอะไรมักถูกซื้อโดย users Association นี้นำไปสู่ increased sales โดยให้ retailers selective marketing และ plan shelf space
Well-known application ของ multi-level association คือ market basket analysis เข้าใจ purchasing habits ของ users โดยหา groups of items ที่ frequently purchased together ซึ่งแสดงใน notion of concept hierarchy
กระบวนการ Association Rules
Association rules เริ่มจาก transactions ที่มี one หรือ more products/services และ rudimentary data เกี่ยวกับ transaction สำหรับ analysis products/services เรียกว่า items
Transactions ใช้ contain เฉพาะ items purchased สามารถใช้ data เช่น date, time, payment method (cash/credit card)
ทุก transaction ให้ข้อมูลว่าสินค้าอะไรซื้อคู่กับสินค้าอื่น แสดงใน co-occurrence table บอกจำนวนครั้งที่ pair of products ถูกซื้อร่วมกัน
Observations นี้เป็น examples of associations และ suggest formal rule เช่น: ถ้าซื้อ soda → ซื้อ orange juice ในข้อมูล 2 ใน 5 transactions มีทั้ง soda และ orange juice Support = 2/5 = 40%
เพราะทั้งสอง transactions ที่มี soda ก็มี orange juice confidence สูง 2 ใน 3 transactions ที่มี soda มี orange juice → rule "if soda then orange juice" confidence = 67% Inverse rule "if orange juice then soda" มี confidence ต่ำกว่า
