Assoziationsanalysen

Assoziationsanalysen sind eine Gruppe statistischer und datenmining-basierter Verfahren, die darauf abzielen, Beziehungen oder Muster zwischen Variablen in großen Datensätzen zu entdecken. Der Schwerpunkt liegt meist auf der Identifikation von Assoziationsregeln, insbesondere im Kontext der Markt- oder Warenkorbanalyse, bei der es darum geht, Produkte zu finden, die häufig gemeinsam gekauft werden.

Zentrale Konzepte sind der häufige Itemset (eine Gruppe von Produkten, die zusammen auftreten), der Support (Häufigkeit eines Itemsets), die Confidence (Wahrscheinlichkeit, dass ein weiteres Element gegeben das Vorkommen des ersten eintritt) und der Lift (Verhältnis der beobachteten Häufigkeit zur Häufigkeit bei Unabhängigkeit). Weitere Maße wie Leverage, Conviction oder Interest dienen der Bewertung der Relevanz einer Regel und der Vermeidung irrelevanter oder irreführender Muster.

Typische Algorithmen sind Apriori, FP-Growth und Eclat. Apriori arbeitet durch Generieren von Kandidatenmengen und schränkte diese durch Mindest-Support ein, FP-Growth nutzt einen kompakten Baum zur effizienteren Extraktion häufiger Itemsets, während Eclat auf einer transaktionsbasierten Vertikalstruktur basiert. Vor der Analyse erfolgt oft eine Datenvorverarbeitung, Diskretisierung numerischer Merkmale und die Bestimmung von Schwellenwerten für Mindest-Support und Mindest-Confidence.

Anwendungsgebiete umfassen Einzelhandel und E-Commerce, Web- und Nutzungsanalytik, Bioinformatik sowie Fehlervorhersage in technischen Systemen. Wichtige Einschränkungen sind, dass Kausalität nicht aus Assoziationen folgt, die große Anzahl entstehender Regeln eine sorgfältige Selektion erfordert und die Ergebnisse domänenspezifisch interpretiert werden müssen.