[ADsP] 15. 연관분석

1. 연관분석의 개요

- 장바구니 분석으로도 불리며, 고객들의 패턴을 분석하여 의미 있는 규칙을 찾아내는 분석

- 품목의 수가 증가하면 분석 계산이 기하급수적으로 증가할 수 있음 

- 너무 세분화된 품목으로 연관 규칙을 찾으면 의미없는 분석이 될 수 있음

 

2. 연관분석의 측도

(0) 구매율

- 해당 단일 품목이 포함된 거래 수 / 전체 거래 수

- P(A) or P(B)

 

(1) 지지도

- P(A ∩ B) : A와 B가 동시에 포함된 거래 수 / 전체 거래 수

 

(2) 신뢰도

- 어떤 하나의 품목이 구매되었을 때 다른 품목 하나가 구매될 확률

- 신뢰도(A->B) =  P(B|A) = P(A ∩ B) / P(A) 

(지지도 / 구매율)

 

(3) 향상도

- 품목 A가 주어지지 않았을 때 품목 B가 구매될 확률 대비, 품목 A가 구매될 때 품목 B가 구매될 확률

- A와 B의 향상도: P(A ∩ B) / P(A) * P(B)

- 향상도가 1보다 크다면 품목 A가 구매될 때 품목 B가 구매될 확률이 증가 (양의 상관관계)

- (신뢰도 / 구매율)

 

3. 연관분석의 알고리즘

(1) apriori

- 가능한 모든 경우의 수를 탐색하는 연관분석은 아이템의 수가 증가할수록 계산 시간과 복잡도가 기하급수적으로 증가

- aporiori 알고리즘은 지지도를 사용해 빈발 아이템 집합을 판별하고 계산의 복잡도를 감소시킴

 

(2) apriori 절차

- 계산량 증가와 의미 없는 결과 도출 문제를 해결하고자 최소지지도 개념을 도입했으나, 여전히 많은 계산량을 필요로 함

step1) 최소 지지도 설정

step2) 최소 지지도보다 큰 지지도를 갖는 단일 품목 선별

step3) 찾은 단일 품목으로 생성되는 연관 규칙 중 최소 지지도 이상의 연관 규칙을 찾음

step4) 위 과정을 반복하며 3가지 이상의 품목에 대한 연관 규칙을 생성

 

(3) FP-Growth 알고리즘

- 지지도가 낮은 품목부터 지지도가 높은 품목 순으로 차츰 올라가면서 빈도수가 높은 아이템 집합을 생성하는 상향식 알고리즘

- apriori 알고리즘보다 속도가 빠르며, 연산 비용이 저렴함

 

4. 연관분석의 특징

- 품목 세분화에 대한 어려움이 있음 (탄산음료를 콜라/사이다 등으로 세분화할지)

장점	단점
- 결과가 단순하고 분명함(IF ~ THEN~) - 분석을 위한 계산이 간단 - 목적 변수가 없으므로 데이터 탐색을 위해 사용 가능	- 품목 세분화에 어려움이 있음 - 품목 수의 증가는 기하급수적인 계산량의 증가를 초래 - 거래가 발생하지 않은 품목에 대해서는 분석이 불가능