32기 권채은

1. 32기 권채은
장바구니
분석

2. 목차
데이터 마이닝 (Data Mining)
연관규칙 (Association Rule)
연관 규칙 알고리즘 – Apriori Algorithm

3. 데이터 마이닝

4. 데이터 마이닝(data mining)
대용량의 데이터로부터 데이터 속의
“유용한 정보” 를 발견하는 과정
유용한 정보 ?
데이터들의 연관성, 유사성, 순차패턴 등

5. 데이터 마이닝의 기법
의사결정
트리
연관 규칙
인공
신경망
군집분석
사례기반
분석

6. 연관 규칙

7. 연관 규칙 (Associate rule)
항목 집합 (item set) : 전체 item 중에서 가능한 부분집합
항목 집합의 집합 (The set of item set) : item 의 부분집합들로 구성된 집합
=> 특정 항목 집합이 발생하였을 때(동시에) 또 다른 항목 집합이 발생!

8. 연관 규칙 (Associate rule)
지지도 (support) : s(X→Y) = n(XUY)/N
신뢰도 (confidence) : c(X→Y) = n(X∩Y)/n(X)
향상도 (lift) : lift(X,Y) = c(X→Y)/s(Y)

9. 연관 규칙 알고리즘

10. 알고리즘이 필요한 이유 ?
항목 집합 L = {L1, L2, … ,Lk}
부분 집합 개수
= 2 𝑘
-1 ( 공집합 제외)
항목 집합의 item 개수에
따라 지수적으로 증가

11. 다양한 알고리즘
항목 집합 개수(M) 줄이기
→ Apriori Algorithm
Transaction 개수(N) 줄이기
→ DHP Algorithm
비교 수(W) 줄이기
→ FP-growth Algorithm

12. Aprioro - 수도코드

13. Aprioro – 빈발항목집합 추출
Principle : 한 항목집합이 비빈발(infrequent)하다면
이 항목집합을 포함하는 모든 집합은 비빈발 항목 집합이다.
* 비 빈발 항목 집합 = pruning (가지치기)
{A,B,C,D,E} 에서 {A,B}가 비빈발(infrequent)하다면,

14. Aprioro – 빈발항목집합 추출
항목집합의 ‘빈발’을 판단하는 기준 → 지지도(support)
s(X→Y) = n(XUY)/N

15. 최소 지지도(SUPmin) = 2
C1 → {D} 탈락
C2 → {A,C},{A,E} 탈락
C3 → {B,C,E} 추출

17. Apriori – 연관 규칙 도출
빈발항목집합 후보 생성
↓
연관 규칙 생성
↓
purning(가지치기)

18. Apriori – 연관 규칙 도출
Principle : 빈발항목집합 L에 대하여
연관규칙 X → Y 가 최소신뢰도 기준을 만족하지 않으면
X의 부분집합 X'에 대한 연관규칙 X' → L - X' 도
최소신뢰도 기준을 만족할 수 없다.
신뢰도 (confidence) : c(X→Y) = n(X∩Y)/n(X)

19. Apriori – 연관 규칙 도출