关联规则有哪些应用？

关联规则学习是一种无监督学习方法，它测试一个数据元素对另一个数据元素的依赖性，并进行适当的创建以使其更有效。它试图发现数据集变量之间的一些有趣关系或关联。它依赖于几个规则来发现数据库中变量之间的有趣关系。

关联规则学习是机器学习的重要技术，它被应用于市场篮子分析、Web 使用挖掘、持续生产等领域。在市场篮子分析中，它被许多大型零售商用来发现商品之间的关系。

关联规则最初是从销售点数据中转换而来，这些数据表示哪些产品一起购买。尽管它的根源在于关联销售点交易，但关联规则可以用于零售市场之外，以发现“篮子”类型的关系。

关联规则有各种应用，如下所示：

  • 信用卡上购买的商品，例如租车和酒店房间，可以帮助洞察客户可能购买的后续产品。

  • 电信用户购买的可选服务（呼叫等待、呼叫转移、DSL、快速呼叫等）有助于确定如何捆绑这些功能以最大化收入。

  • 零售用户使用的银行服务（货币市场账户、CD、投资服务、汽车贷款等）可以识别可能需要其他服务的客户。

  • 不寻常的保险索赔组合可能是欺诈的体现，可以引发更深入的调查。

  • 医疗患者病史可以帮助根据特定的一组治疗方法表达可能的并发症。

关联规则未能达到预期。例如，它们不是在诸如零售银行等市场中生成交叉销售模型的最佳方法，因为这些规则最终描述了之前的营销促销活动。此外，在零售银行中，用户通常先开一个支票账户，然后开一个储蓄账户。直到用户拥有更高等级的产品，产品之间的差异才会出现。

在 Apriori 算法中，该算法需要频繁数据集来创建关联规则。它被创建用于处理包含交易的数据库。该算法需要广度优先搜索和哈希树来有效地计算项集。

它通常用于市场篮子分析，并有助于了解可以一起购买的产品。它也用于医疗保健领域，以发现患者的药物反应。

在 Eclat 算法中，它表示等价类转换。该算法需要深度优先搜索方法来发现事务数据库中的频繁项集。它比 Apriori 算法实现了更快的实现。

更新于: 2022年2月15日

8K+ 浏览量

开启你的职业生涯

通过完成课程获得认证

开始学习
广告