PE Notes · AI
연관 규칙 분석
장바구니에서 항목 동시 발생을 지지도·신뢰도·향상도로 재고, Apriori와 FP-Growth를 가른 뒤 과잉 규칙·인과 혼동과 협업필터 추천을 비교합니다.
같이 담긴 상품은 우연일 수도, 진열과 추천의 실마리일 수도 있습니다. 은 대량 거래에서 항목 동시 발생을 X → Y 형태로 찾습니다. 이고 레이블이 없습니다. 좋은 규칙은 자주 나타나고, X가 있을 때 Y가 높으며, 아무 때보다 더 높아야 합니다.
정의와 세 지표
쓰임은 교차 판매, 진열, 단순 추천입니다. 이상적 규칙은 세 지표가 같이 높습니다. 는 P(X∩Y), 전체 거래 중 X와 Y가 함께인 비율입니다. 희귀 패턴을 걸러 냅니다. 는 P(Y|X), X를 산 사람 중 Y도 산 비율입니다. 규칙의 정확도에 가깝습니다.
는 P(Y|X) / P(Y)입니다. 1이면 독립, 1보다 크면 양의 연관, 작으면 음의 연관입니다. 신뢰도가 높아도 Y 자체가 흔하면 향상도는 1에 붙습니다. 예로 전체 1,000건 중 동시 100이면 지지도 10%, X가 200건이면 신뢰도 50%, Y 기본이 20%이면 향상도 2.5입니다.
| 지표 | 식 | 읽는 법 |
|---|---|---|
| 지지도 | P(X∩Y) | 얼마나 자주 |
| 신뢰도 | P(Y|X) | X일 때 Y |
| 향상도 | Conf / P(Y) | 독립 대비 배수 |
Apriori와 FP-Growth
는 빈발 아이템셋을 길이 1부터 키웁니다. 최소 지지도 미만은 버리고, 남은 것으로 더 긴 후보를 만듭니다. 원리는 “부분집합이 빈발해야 상위도 빈발 후보”입니다. 후보는 조합으로 폭증하고 데이터를 여러 번 읽습니다.
는 FP-Tree에 거래를 압축한 뒤 후보 집합을 거의 만들지 않고 빈발을 찾습니다. 스캔이 적고 대량에 유리하며, 구현은 더 까다롭습니다. 적용 절차는 트랜잭션 전처리, 최소 지지도로 빈발 탐색, 최소 신뢰도·향상도로 규칙을 남기는 셋입니다. 임계를 낮추면 규칙이 수천이 됩니다.
활용, 한계, 추천
유통은 교차 판매와 진열, 의료는 증상–질환·병용 약물, 보안·금융은 같이 나타나는 이상 행위입니다. 한계는 세 가지입니다. 규칙 과잉, 상관을 인과로 읽는 오류, 시간 순서를 못 본다는 점입니다. 순서는 이 따로 봅니다.
연관 기반 추천은 X → Y를 바로 제안합니다. 단순하고 설명 가능합니다. 은 비슷한 사용자의 행동으로 개인화하지만 차원이 크고 콜드 스타트가 있습니다. 비교 축은 개인화, 복잡도, 실시간, 해석입니다. 가치 평가나 플랫폼 설계에서는 규칙이 상품 묶음의 힌트이지, 원인 설명서가 아니라고 적습니다.
답안은 세 지표 식, Apriori vs FP-Growth, 인과≠상관, 협업필터와 표를 한 장에 씁니다.