assosiasjonsregler

Assosiasjonsregler er en teknikk innen data mining som henter fram interessante forbindelser mellom objekter i store transaksjonsdatabaser. En regel har formen X -> Y, der X er et antecedent (venstre side) og Y er et consequent (høyre side). Reglene bygger på to måleparametere: støtte (support) som angir hvor ofte hele X∪Y forekommer i datamengden, og konfidens (confidence) som angir sannsynligheten for Y gitt at X er til stede. Ofte benyttes også løft (lift), som sammenlikner sannsynligheten for Y når X er til stede med den uavhengige sannsynligheten for Y; lift > 1 tyder på en positiv korrelasjon.

Prosessen består typisk av to trinn: først identifiseres hyppige elementsett ved hjelp av algoritmer som Apriori eller FP-Growth; deretter genereres regler fra disse sett med minste støtte og avhengig av minste konfidens. For å redusere redundans kan man bruke varianter som lukkede hyppige elementsett eller maksimale elementsett.

Vanlige anvendelser inkluderer markedsanalyse og kryssalg, der produkter som ofte kjøpes sammen identifiseres (for eksempel brød og smør), samt anbefalingssystemer og lagerstyring. Begrensninger inkluderer valg av uegnede terskler for støtte og konfidens, risiko for tvetydige eller falske assosiasjoner, og skaleringsutfordringer ved store databaser eller høy dimensionalitet.

Dette er en kort innføring i grunnleggende konsepter og bruksområder i assosiasjonsregler.