RuleMining2A

関連分析は、大規模なデータセット内の項目間の暗黙的な関連を発見するためによく使用され、発見された関連は相関ルールの形式で表現できます。アソシエーション ルールは、新しいクロスセリングの機会を見つけるためによく使用されます。RuleMining2A は、Apriori と FP-Growth という 2 つの古典的な関連分析アルゴリズムを使用して、データセット内のアイテム間の関連ルールを見つけるのを支援します。 たとえば、販売データから見つかったルール {パスタ} ⇒ {エビ} は、パスタを購入する顧客はエビも購入する可能性が高いことを意味します。この情報は、製品の推奨、プロモーション価格、製品の配置などのマーケティング上の決定の基礎として使用できます。 Apriori アルゴリズム: 関連分析では、まず頻繁なアイテムセットを見つけてから、これらの頻繁なアイテムセットを使用して関連ルールを取得する必要があります。Apriori アルゴリズムは、最も有名な頻繁なアイテムセット マイニング アルゴリズムの 1 つであり、レコメンダー システムやマーケット バスケット分析でよく使用されます。 FP-Growth アルゴリズム: FP-Growth アルゴリズムは、頻繁なアイテムセットをマイニングするためのもう 1 つの人気のあるアルゴリズムです。FP-Growth アルゴリズムは Apriori アルゴリズムの原理に基づいていますが、頻繁なアイテムセットを見つけるために FP-tree と呼ばれる方法を使用します。FP-Growth アルゴリズムは、一般に、大規模なデータセットを扱う場合により効率的なパフォーマンスを示します。 FP-Growth アルゴリズムは、一部の種類のデータセットでは Apriori アルゴリズムよりも高速に実行されます。両方のアルゴリズムでデータセットを実行し、より高速に実行される方を選択できます。