関連ルールの評価と選定

INDEX

関連ルールの評価と選定

関連ルールの評価と選定は、アソシエーション分析で見つかったルールの中から、有用なものを選び出すための工程です。

アソシエーション分析では、多くの関連ルールが生成されます。しかし、すべてのルールが実務で役立つとは限りません。そのため、サポート、信頼度、リフトなどの指標を使って、意味のあるルールを評価・選定します。

指標	意味
サポート（Support）	その組み合わせが全体の中でどれくらい出現するか
信頼度（Confidence）	Aが出現したときにBも出現する割合
リフト（Lift）	AとBの関連が偶然より強いかを示す指標

サポートとは

サポートは、あるアイテムセットが全トランザクションの中でどの程度出現しているかを示します。

サポート = AとBを含む取引数 / 全取引数

サポートが高いルールは、多くの取引に当てはまるため、実務で利用しやすい傾向があります。

信頼度とは

信頼度は、Aが出現した取引のうち、Bも一緒に出現した割合を示します。

信頼度 = AとBを含む取引数 / Aを含む取引数

信頼度が高いほど、「Aを買った人はBも買いやすい」と判断できます。

リフトとは

リフトは、AとBが偶然ではなく、どの程度強く関連しているかを示す指標です。

リフト = 信頼度 / Bのサポート

リフトの値	解釈
1より大きい	AとBには正の関連がある
1に近い	AとBはほぼ独立している
1より小さい	AとBは一緒に出現しにくい

Pythonによる関連ルールの評価

Pythonでは、mlxtendライブラリを使って、頻出アイテムセットの抽出と関連ルールの評価を行うことができます。

import pandas as pd
from mlxtend.frequent_patterns import apriori, association_rules

# トランザクションデータの作成
data = {
    'ミルク': [1, 0, 1, 1, 0],
    'パン': [1, 1, 0, 1, 1],
    'バター': [0, 1, 1, 0, 1],
    'チーズ': [0, 0, 1, 1, 0],
    '卵': [1, 1, 0, 0, 1]
}

df = pd.DataFrame(data)

# Aprioriアルゴリズムで頻出アイテムセットを抽出
frequent_itemsets = apriori(
    df,
    min_support=0.5,
    use_colnames=True
)

# 関連ルールを生成
rules = association_rules(
    frequent_itemsets,
    metric="lift",
    min_threshold=1.0
)

# 必要な列を表示
print(rules[
    ['antecedents', 'consequents', 'support', 'confidence', 'lift']
])

コードのポイント

apriori()で、指定したサポート以上の頻出アイテムセットを抽出する
association_rules()で、頻出アイテムセットから関連ルールを生成する
support、confidence、liftを使ってルールを評価する

評価指標の使い分け

重視すること	見るべき指標
よく出現する組み合わせを知りたい	サポート
Aを買った人がBも買う確率を知りたい	信頼度
偶然ではない強い関連を見つけたい	リフト
実務に使えるルールを選びたい	各指標とビジネス上の意味

スーパーマーケットでの活用例

例えば、「パンを買う人はバターも買いやすい」というルールが見つかった場合、次のような施策に活用できます。

パンとバターを近くに陳列する
パンとバターをセット販売する
パン購入者にバターのクーポンを提示する
レコメンド商品としてバターを表示する

関連ルールの評価と選定 | アソシエーション分析 | Pythonによる機械学習を学ぶ

関連ルールの評価と選定

関連ルールの評価と選定を図で理解する

関連ルールとは

関連ルールの主な評価指標