PE Notes · 확률통계
Apriori 기법
연관규칙 탐사(Association Rule Mining): 거래 데이터에서 "X를 사면 Y도 산다(X → Y)" 형태의 동시 발생 패턴을 찾는 데이터 마이닝 기법 — 장바구니 분석(Market Basket Analysis)
연관규칙 탐사(Association Rule Mining): 거래 데이터에서 "X를 사면 Y도 산다(X → Y)" 형태의 동시 발생 패턴을 찾는 데이터 마이닝 기법 — (Market Basket Analysis). Apriori 알고리즘: 아그라왈·스리칸트(Agrawal & Srikant, 1994)가 제안한 대표 알고리즘 — "의 모든 부분집합은 빈발하다"는 Apriori 성질(하향 폐쇄성)을 이용해 후보를 줄이며 빈발 항목집합 → 연관규칙을 단계적으로 생성.
구조와 칸
비지도 학습: 정답(레이블) 없이 패턴 발견. 단계적(레벨별) 탐색: 크기 1 … 항목집합 순서로 확장(BFS). 가지치기(Pruning): 비빈발 부분집합을 포함하는 후보는 세지 않고 제거. 단점: 후보 생성 비용·데이터 반복 스캔(레벨마다 1회) → 대용량에서 느림 → ·Eclat 대안.
| 지표 | 공식 | 의미 |
|---|---|---|
| (Support) | P(X ∩ Y) = X와 Y를 함께 포함한 거래 수 ÷ 전체 거래 수 | 규칙이 얼마나 자주 나타나는가 |
| (Confidence) | P(Y \ | X) = Support(X ∩ Y) ÷ Support(X) |
| (Lift) | Confidence(X → Y) ÷ Support(Y) = P(X ∩ Y) ÷ (P(X)P(Y)) | > 1 양의 연관, = 1 독립, < 1 음의 연관(대체 관계) |
보조 지표: 확신도(Conviction), 레버리지(Leverage = P(X∩Y) − P(X)P(Y)). ① L₁ (크기 1). 빵 4, 우유 4, 기저귀 4, 맥주 3 → 빈발 / 콜라 2, 계란 1 → 제거. ② C₂ → L₂ (크기 2).
지지도 vs 신뢰도 vs 향상도
| 거래 | 항목 |
|---|---|
| T1 | 빵, 우유 |
| T2 | 빵, 기저귀, 맥주, 계란 |
| T3 | 우유, 기저귀, 맥주, 콜라 |
| T4 | 빵, 우유, 기저귀, 맥주 |
| T5 | 빵, 우유, 기저귀, 콜라 |
| 후보 | 건수 | 판정 |
|---|---|---|
| {빵, 우유} | 3 | 빈발 |
| {빵, 기저귀} | 3 | 빈발 |
| {빵, 맥주} | 2 | 제거 |
| {우유, 기저귀} | 3 | 빈발 |
| {우유, 맥주} | 2 | 제거 |
| {기저귀, 맥주} | 3 | 빈발 |
유통: 함께 구매되는 상품 진열·묶음 할인·쿠폰 설계. 전자상거래 추천: "이 상품을 구매한 고객이 함께 구매한 상품". 웹 로그 분석: 페이지 방문 패턴·이탈 경로.
답안은 Apriori 기법의 정의, 칸, 비교 축을 한 장에 닫습니다.
기술사 답안 포인트
관련 용어
관련 토픽
AI
데이터마이닝 — K-means, DBSCAN, SVM, LSTM·GRU
비지도 군집(K-means·DBSCAN)과 지도 분류·순차모델(SVM·LSTM·GRU)을 같은 장에서 나누고, 과업과 데이터 형에 맞춰 고르는 기준을 정리합니다.
AI
머신러닝 파이프라인과 지도·비지도학습
수집부터 재학습까지를 한 흐름으로 묶는 ML 파이프라인과, 레이블 유무로 갈리는 지도·비지도·준지도·자기지도학습을 비교합니다.
확률통계
베이즈 정리(Bayes' Theorem)
베이즈 정리(Bayes' Theorem): 새로운 증거(데이터)가 주어졌을 때 사전 확률을 사후 확률로 갱신하는 조건부 확률 공식 — 토머스 베이즈(18세기)