association rule learning

Angol

Főnév

association rule learning (tsz. association rule learnings)

(informatika) Association Rule Learning – magyarul: asszociációs szabálytanulás – egy gépi tanulási technika, amelyet elsősorban adatbányászatban használnak rejtett minták, összefüggések, szabályszerűségek feltárására nagy adathalmazokban. Az egyik legismertebb alkalmazása a kosár-elemzés („market basket analysis”), ahol a cél megmondani: ha valaki vesz A-t, akkor gyakran vesz B-t is.

🧠 1. Alapötlet

Az algoritmus feltételes szabályokat keres, amelyek az adathalmazban gyakran előfordulnak, például:

IF {kenyér, vaj} THEN {tej}

Ez azt jelenti: ha egy vásárlás tartalmaz kenyeret és vajat, akkor gyakran tartalmaz tejet is.

📦 2. Alapfogalmak

➤ Tétel (item):

Egy elem (pl. „tej”, „cukor”)

➤ Tranzakció:

Egy halmaz (pl. egy kosár tartalma: {kenyér, vaj, tej})

➤ Asszociációs szabály:

Formája:

${\text{Ha}}A\Rightarrow B$

ahol ${\textstyle A}$ és ${\textstyle B}$ diszjunkt itemhalmazok

📊 3. Mértékek az értékeléshez

1. Support (támogatottság):

A szabály mennyire gyakori az adathalmazban:

${\text{support}}(A\Rightarrow B)=P(A\cup B)$

2. Confidence (bizalom):

A szabály megbízhatósága: ha A teljesül, B is milyen gyakran:

${\text{confidence}}(A\Rightarrow B)=P(B|A)$

3. Lift (emelés):

Megmutatja, hogy A jelenléte mennyivel növeli B esélyét:

${\text{lift}}(A\Rightarrow B)={\frac {P(B|A)}{P(B)}}={\frac {support(A\cup B)}{support(A)\cdot support(B)}}$

🔍 4. Algoritmusok

A. Apriori

Lépésenként növeli az itemhalmazok méretét
Csak azokat az itemhalmazokat bővíti, amelyek támogatottsága meghaladja a küszöböt
Hatékony, de memóriaigényes

B. FP-Growth

Gyorsabb, fa-alapú algoritmus (frequent pattern tree)
Nem generál minden lehetséges kombinációt külön

C. Eclat

Függvényhalmaz-alapú, hatékony kisebb adatokra

🛍️ 5. Példa: Kosárelemzés

Tranzakciók:

ID	Vásárlás
1	{kenyér, vaj, tej}
2	{kenyér, vaj}
3	{kenyér, tej}
4	{vaj, tej}
5	{kenyér, vaj, tej, tojás}

Lehetséges szabály:

{kenyér, vaj} ⇒ {tej}
support = 3/5
confidence = 3/3 = 100%
lift = confidence / support(tejet tartalmazó tranzakciók) = 1.0 / 0.8 = 1.25

🛠️ 6. Python példa (mlxtend)

from mlxtend.frequent_patterns import apriori, association_rules
from mlxtend.preprocessing import TransactionEncoder

transactions = [
    ['kenyér', 'vaj', 'tej'],
    ['kenyér', 'vaj'],
    ['kenyér', 'tej'],
    ['vaj', 'tej'],
    ['kenyér', 'vaj', 'tej', 'tojás']
]

te = TransactionEncoder()
te_ary = te.fit(transactions).transform(transactions)
df = pd.DataFrame(te_ary, columns=te.columns_)

frequent_itemsets = apriori(df, min_support=0.6, use_colnames=True)
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.8)
print(rules)

🧾 7. Összefoglalás

A association rule learning:

Egy hatékony módszer a rejtett minták és kapcsolatok felfedezésére nagy adathalmazokban
Tipikus alkalmazási területei:
- 🛒 Vásárlási mintázatok (market basket)
- 💳 Csalásdetekció
- 📚 Ajánlórendszerek
- 🧬 Biológiai adatok elemzése
Kulcsmutatói: support, confidence, lift
Fő algoritmusai: Apriori, FP-Growth, Eclat

További információk

association rule learning - Szótár.net (en-hu)
association rule learning - Sztaki (en-hu)
association rule learning - Merriam–Webster
association rule learning - Cambridge
association rule learning - WordNet
association rule learning - Яндекс (en-ru)
association rule learning - Google (en-hu)
association rule learning - Wikidata
association rule learning - Wikipédia (angol)