Association Rule Learning เป็นเทคนิคการเรียนรู้แบบไม่มีผู้กำกับ ที่ทดสอบความพึ่งพาขององค์ประกอบข้อมูลหนึ่งต่ออีกองค์ประกอบหนึ่ง และแมปตามนั้นเพื่อให้เป็นเชิงพาณิชย์มากขึ้น พยายามค้นพบความสัมพันธ์หรือความเชื่อมโยงที่น่าสนใจระหว่างตัวแปรของชุดข้อมูล ขึ้นอยู่กับหลายกฎเพื่อหาความสัมพันธ์ที่น่าสนใจระหว่างตัวแปรในฐานข้อมูล
Association Rule Learning เป็นแนวคิดสำคัญของ Machine Learning และใช้ใน Market Basket Analysis Web Usage Mining Continuous Production ฯลฯ ดังนั้น Market Basket Analysis เป็นแนวทางที่ผู้ค้าปลีกขนาดใหญ่ใช้หาความเชื่อมโยงระหว่างสินค้า
ใน Market Basket Analysis นิสัยการซื้อของลูกค้าถูกวิเคราะห์โดยการหาความเชื่อมโยงระหว่างสินค้าต่างๆ ที่ลูกค้าวางในตะกร้าช้อปปิ้ง
ด้วยการค้นพบความเชื่อมโยงดังกล่าว ผู้ค้าปลีกสร้างแนวทางการตลาดโดยวิเคราะห์ว่าสินค้าอะไรที่ลูกค้าซื้อโดยทั่วไป ความเชื่อมโยงนี้นำไปสู่ยอดขายเพิ่มขึ้น โดยช่วยผู้ค้าปลีกทำการตลาดเฉพาะกลุ่มและวางแผนพื้นที่ชั้นวาง
พื้นที่การประยุกต์ใช้ยอดนิยมสำหรับ Multi-level Association คือ Market Basket Analysis ที่ศึกษานิสัยซื้อของลูกค้าด้วยการค้นหาชุดสินค้าที่ซื้อร่วมกันบ่อย ซึ่งแสดงในแนวคิด Concept Hierarchy
Association Rules ที่มี 2 มิติหรือ Predicate ขึ้นไป เรียกว่า Multidimensional Association Rules ตัวอย่าง:
Age (X, "20...29") ^ Occupation (X, "Student") ⇒ Buys (X, "Laptop")
กฎนี้มี 3 Predicates (Age, Occupation, Buys) แต่ละอย่างเกิดขึ้นเพียงครั้งเดียวในกฎ เรียกว่า Interdimensional Association Rules กฎที่มี Predicate ซ้ำ หรือมีหลายครั้งของ Predicate บางอย่าง เรียกว่า Hybrid-dimension Association Rules
ตัวอย่าง:
Age (X, "20...29") ^ Buys (X, "Laptop") ⇒ Buys (X, "Printer")
แอตทริบิวต์ของฐานข้อมูลควรเป็น Categorical หรือ Quantitative
Categorical Attributes: มีจำนวนค่าที่เป็นไปได้จำกัด ไม่มีลำดับระหว่างค่า เรียกว่า Nominal Attributes
Quantitative Attributes: เป็นตัวเลข และมีลำดับโดยนัยระหว่างค่า
3 แนวทางพื้นฐานสำหรับ Quantitative Attributes
แนวทางที่ 1: Quantitative Attributes ถูก Discretize (แบ่งช่วง) โดยใช้ Concept Hierarchy ที่กำหนดไว้ล่วงหน้า ซึ่งเกิดขึ้นก่อนการขุดข้อมูล คุณลักษณะตัวเลขที่ Discretize แล้วพร้อมค่าช่วง สามารถพิจารณาเป็น Categorical Attributes
แนวทางที่ 2: Quantitative Attributes ถูกจัดเป็น Bins (ถัง) ตามการกระจายของข้อมูล Bins เหล่านี้สามารถรวมเพิ่มเติมระหว่างกระบวนการขุดได้ ดังนั้นกระบวนการ Discretization เป็นแบบไดนามิกและได้รับการสร้างขึ้น
แนวทางที่ 3: Quantitative Attributes ถูก Discretize เพื่อจับความหมายเชิงความหมาย (Semantic Meaning) ของข้อมูลช่วง (Interval Data) ขั้นตอน Discretization อันทรงพลังนี้จัดการกับระยะห่างระหว่างจุดข้อมูล
