Association Rule Learning (การเรียนรู้กฎเชื่อมโยง) เป็นเทคนิคการเรียนรู้แบบไม่มีผู้กำกับ (Unsupervised Learning) ที่ทดสอบความพึ่งพาขององค์ประกอบข้อมูลหนึ่งต่ออีกองค์ประกอบหนึ่ง และจับคู่ตามนั้นเพื่อให้มีประสิทธิภาพด้านต้นทุนมากขึ้น มันพยายามค้นพบความสัมพันธ์หรือความเชื่อมโยงที่น่าสนใจระหว่างตัวแปรในชุดข้อมูล โดยอาศัยกฎหลากหลายเพื่อหาความสัมพันธ์ที่น่าสนใจระหว่างตัวแปรในฐานข้อมูล
Association Rule Learning เป็นแนวทางสำคัญที่สุดของ Machine Learning และนำไปใช้ในการวิเคราะห์ตะกร้าสินค้า (Market Basket Analysis) การขุดการใช้งานเว็บ (Web Usage Mining) การผลิตต่อเนื่อง และอื่นๆ ในการวิเคราะห์ตะกร้าสินค้า เป็นแนวทางที่ผู้ค้าปลีกขนาดใหญ่ใช้เพื่อหาความสัมพันธ์ระหว่างสินค้า
การขุดเว็บ (Web Mining) สามารถมองได้ว่าเป็นการประยุกต์ใช้วิธีการขุดข้อมูลที่ปรับเปลี่ยนแล้วสำหรับอินเทอร์เน็ต ในขณะที่ Data Mining ถูกนิยามว่าเป็นการประยุกต์ใช้อัลกอริทึมเพื่อค้นพบรูปแบบบนข้อมูลที่มีโครงสร้างส่วนใหญ่ ซึ่งถูกจัดอยู่ในกระบวนการค้นพบความรู้ (Knowledge Discovery Process)
Web Mining มีคุณสมบัติเฉพาะที่รองรับการรวบรวมข้อมูลหลายประเภท เว็บมีหลายด้านที่ให้หลายแนวทางสำหรับกระบวนการขุด เช่น หน้าเว็บที่มีข้อความ หน้าเว็บเชื่อมต่อผ่านไฮเปอร์ลิงก์ และกิจกรรมผู้ใช้ที่ติดตามได้ผ่าน Web Server Logs
การวิเคราะห์ตะกร้าสินค้า (Market Basket Analysis)
ในการวิเคราะห์ตะกร้าสินค้า นิสัยการซื้อของลูกค้าจะถูกวิเคราะห์โดยการหาความเชื่อมโยงระหว่างสินค้าต่างๆ ที่ลูกค้าวางในตะกร้าช้อปปิ้ง ด้วยการค้นพบความเชื่อมโยงดังกล่าว ผู้ค้าปลีกจึงสร้างกลยุทธ์การตลาดโดยวิเคราะห์ว่าสินค้าอะไรที่ผู้ใช้ซื้อร่วมกันบ่อย ซึ่งนำไปสู่การเพิ่มยอดขายโดยช่วยให้ผู้ค้าปลีกทำการตลาดเฉพาะกลุ่มและวางแผนพื้นที่วางสินค้าบนชั้นได้ดีขึ้น
ประเภทของ Association Rule Learning
มีประเภทหลักของ Association Rule Learning ดังนี้:
1. Apriori Algorithm
อัลกอริทึมนี้ต้องการชุดข้อมูลที่พบบ่อย (Frequent Itemsets) เพื่อสร้างกฎเชื่อมโยง ออกแบบมาเพื่อทำงานกับฐานข้อมูลที่มีธุรกรรม (Transactions) ใช้การค้นหาแบบกว้าง (Breadth-first Search) และ Hash Tree เพื่อคำนวณ Itemset อย่างมีประสิทธิภาพ ใช้ทั่วไปใน Market Basket Analysis และช่วยเรียนรู้ว่าสินค้าอะไรซื้อร่วมกันได้ นอกจากนี้ยังใช้ในด้านการแพทย์เพื่อค้นพบการตอบสนองของยาในผู้ป่วย
2. Eclat Algorithm
Eclat Algorithm ย่อมาจาก Equivalence Class Transformation ใช้วิธีการค้นหาแบบลึก (Depth-first Search) เพื่อค้นหา Frequent Itemsets ในฐานข้อมูลธุรกรรม มีความเร็วในการดำเนินการเร็วกว่า Apriori Algorithm
3. FP-Growth Algorithm
FP-Growth ย่อมาจาก Frequent Pattern Growth เป็นเวอร์ชันที่ปรับปรุงจาก Apriori Algorithm แสดงฐานข้อมูลในรูปแบบโครงสร้างต้นไม้ (Tree Structure) ที่เรียกว่า Frequent Pattern Tree ต้นไม้บ่อยครั้งนี้มีเป้าหมายเพื่อแยกประเภทรูปแบบที่พบบ่อยที่สุดออกมา
