기본 콘텐츠로 건너뛰기

[Data Science] 연관 규칙 분석 (Association Rule Analysis) - Apriori algorithm

연관 규칙 분석이란?

데이터 기반 의사 결정 중 기본적 통계와 확률을 이용한 기법인 연관 규칙에 대해 알아보겠습니다. "맥주를 사면 기저귀를 같이 산다"와 같이 데이터를 기반으로한 진열 방식도 기존과는 달라지고 있다. 대형 마트 혹은 업체 간 경쟁이 치열한 상황에서 고객의 구매 이력 데이터를 바탕으로 상품을 진열한다. 그렇다면 연관 규칙은 무엇인지 개요부터 시작하도록 하자.

개요

  • 기업의 데이터베이스에서 상품의 구매, 서비스 등 일련의 거래 또는 사건들 간의 규칙을 발견하기 위한 분석
  • 장바구니 분석(Market Basket Analysis): 장바구니에 무엇이 같이 들어 있는지에 대한 분석
    ex) 주말을 위해 목요일 기저귀를 사러 온 30대 직장인 고객은 맥주도 함께 사감
  • 순차분석(Sequence Analysis): 구매 이력을 분석해서 A품목을 산 후 추가 B품목을 사는지를 분석
    ex) 휴대폰을 새로 구매한 고객은 한달 내에 휴대폰 케이스를 구매

형태

조건과 반응의 형태 (if - then)의 확률과 같다. 즉 만일 A가 일어나면 B가 일어난다.

측도

  • 지지도(Support) : 전체 거래 중 항목 A와 항목 B를 동시에 포함하는 거래의 비율로 정

    \( support(A\to B)=P(A) or P(A, B) \)

  • 신뢰도(Confidence) : 항목 A를 포함한 거래 중에서 항목 A와 항목 B가 같이 포함될 확률이며 연관성의 정도를 파악할 수 있다.

    \( confidence(A\to B)=\frac{P(A\cap B)}{P(A)} \)

  • 향상도(Lift) : A가 주어지지 않았을 때의 품목 B의 확률에 비해 A가 주어졌을 때의 품목 B의 확률의 증가 비율. 연관규칙 A → B는 품목 A와 품목 B의 구매가 서로 관련이 없는 경우에 향상도가 1이 된다.

    \( lift(A\to B)=\frac{P(A\cap B)}{P(A) \times P(B)} \)

만약 시계열 특성을 가지는 데이터는 어떻게 할 수 있을까? 사건 A와 사건 B에 시계열 특성을 부여하면 된다. 예를 들어, 1개월 전 사건 A가 발생할 확률, 당월 사건 A가 발생할 확률 등 데이터를 추가로 가공하여 적용하면 시계열 특성을 고려 할 수 있다.

간단한 Python 패키지 Apriori 활용해서 임의의 dataset에 대한 연관 규칙 분석을 다음과 같이 쉽게 사용할 수 있다.
1
2
3
4
5
6
7
8
9
10
11
12
13
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules
 
# df = dataframe
 
# 지지도 수가 많을 수 있으므로 min_support 로 일정 이상의 지지도만 도출 (default=0.5)
datasets = apriori(df, min_support=0.5, use_colnames=True)
 
# 최소 신뢰도 0.5 이상인것만 추출
rules = association_rules(datasets, metric='confidence', min_threshold=0.5)
 
# 최소 신뢰도 0.7 이상인것만 추출
rules = association_rules(datasets, metric="lift", min_threshold=0.7)

연관 규칙의 특징은 무엇일까?

일반적인 절차

  1. 최소 지지도 선정 (*보통 5%)
  2. 최소 지지도를 넘는 품목 분류
  3. 2가지 품목 집합 생성
  4. 반복 수행으로 빈발품목 집합 선정
장점과 단점을 표로 정리하면 다음과 같다.

장점

단점

탐색적 기법
조건 반응으로 표현되는 연관성 분석 결과를 쉽게 이해할 수 있다

상당한 수의 계산 과정
품목 수가 증가하면 분석에 필요한 계산은 기하급수적으로 늘어남

강력한 비목적성 분석기법
분석 방향이나 목적이 특별이 없는 경우 목적변수가 없으므로 유용하게 활용 됨

적절한 품목의 결정
너무 세분화한 품목을 갖고 연관규칙을 찾으면 수많은 연관성 규칙들이 발견되겠지만, 실제로 발생 비율 면에서 의미 없는 분석이 됨

사용이 편리한 분석 데이터의 형태
거래 내용에 대한 데이터를 변환 없이 그 자체로 이용

품목의 비율 차이
모든 품목들 자체가 전체자료에서 동일한 빈도를 갖는 경우, 연관성 분석은 가장 좋은 결과를 얻음. 거래량이 적은 품목들은 규칙 발견 과정 중에서 제외되기 쉬움

계산의 용이성
분석을 위한 계산이 상당히 간단

 

아쉬운 점은 사건 A와 사건 B의 1대1 규칙만 가능하다. 다대다는 어렵고 인과관계를 설명하는 것이 아니므로 주의하자.
Labels:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[AI] RAG란 무엇인가?

자고 일어나면 인공지능 관련 기사와 내용이 참 많습니다. 소위 AI시대 대격변 속에서 무엇을 해야할지 고민이 많습니다. AI의 기본적인 이론도 중요하지만, 최근 트렌드를 잘 알고 잘 써먹을 수 있는 것도 개인의 역량이 아닐까 싶습니다. 즉 AI를 하나의 도구로 생각하고 도구를 잘 써먹으면 좋지 않을까요? 오늘은 RAG(검색-증강-생성)이란 무엇인지 간략하게 끄적여보겠습니다. 3줄 요약 ⓐ 검색(Retrieval)은 요청된 외부 지식 을 가져온다. ⓑ 증강(Augmented)은 질문 것에 요청된 것을 더한다 . ⓒ 생성(Generation)은 사용자의 질문에 더한 것을 받아 텍스트로 생성 한다.   ⅰ RAG(검색-증강-생성)이란 무엇인가? 최근 인공지능 기술의 발전은 다양한 분야에서 혁신을 일으키고 있으며, 그 중에서도 텍스트 기반의 생성형 AI는 특히 주목받고 있습니다. 하지만 이러한 인공지능 기술이 가진 정확성과 신뢰성의 문제는 사용자와 개발자 모두에게 중요한 과제로 남아 있습니다. 이 문제를 해결하기 위해 등장한 기술 중 하나가 바로 RAG(Retrieval-Augmented Generation)입니다. 자세한 기술적 내용은 RAG 용어가 등장한 2020년 아래의 논문을 참고하기 바랍니다. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks(2020) (본지는 간단한 내용 만을 기술할 목적이기 때문에 IT 기업의 설명 자료를 참고하여 본인이 이해한 내용을 작성 하였습니다. 혹시나 잘못된 정보가 있다면 알려주세요.) RAG(Retrieval-Augmented Generation)는 단어 풀이 그대로 '검색 증강 생성'이란 뜻 입니다. 먼저 Retrieval 이란 의미는 검색이란 뜻보다는 외부 지식 데이터베이스에서 가져오는 것, 어딘가에서 요청된 무엇인가를 가져오는 것 을 이야기합니다. 그리고 Augmented 는 증강이란 뜻으로 원래 것에 뭔가를 더하거나 보태어 더 실해졌다 는 ...
댓글 1개
Read more »

[Machine Learning] 경사 하강법 (Gradient Descent)

모델의 오류는 왜 중요할까? 들어가기 전에 한 줄 요약해보겠습니다. 의심하며 본문의 내용을 읽어주세요. 혹시나 다른 내용이 있다면 덧글 부탁드립니다. 모델의 계수를 구하기 위해 가중치를 바꿔가며 전역(global) 기울기가 0인 곳을 잘 찾아보자 . 들어가기 머신러닝 혹은 딥러닝의 가장 적합한 모델 이라 함은 대부분 모델의 오류(error)를 최소화 하는 것을 의미한다. 즉, 어떤 모델(단변량 함수)의 계수의 최적값을 찾는 것으로 생각 할 수 있다. 최적화 문제를 풀기위해 경사 하강법 이라 부르는 방법을 사용할텐데, 이는 곧 함수의  기울기 를 계산하고 경사의 이동방향의 반대 방향으로 이동하여 극값 (=0) 을 찾는 문제 와 같다. 접선의 오류를 찾는 손실함수는 다음 포스트에서 다루도록 하겠다. (즉 머신러닝/딥러닝 최적 모델은 함수의  기울기와 접선의 오차를 줄이는  것이다) 본 포스트에서는 경사 하강법의 기본 개념에 한하여 설명하도록 하겠다. 우리가 생각하는 1차원 혹은 2차원에서의 기울기 최소값이 아닌 아래 그림과 같이 3차원 이상의 다차원에서는 함수에 하나의 전역 최소값(global minimum) 이 존재하는 경우 꽤 쓸만하지만, 함수에 지역 최소값(local minimum) 여러 개 있는 경우에는 시작점을 어디에 잡냐에 따라 잘못된 곳으로 빠질 수 있다. (*딥러닝의 경우 때에 따라 다차원 함수의 최소값을 찾아야 한다. 이는 인간의 머리로는 한계가 있다.) Python 코드를 활용해 간단한 그라디언트 함수를 만들어 보자. f가 단변수 함수인 경우, 점 x 에서의 미분값은 x가 아주 조금 변했을 때 f(x)의 변화량 을 의미한다. x의 변화량을 식에서는 h로 표기한다. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 from  typing  import  Callable def  difference_quoitemt(f: Callab...
댓글 쓰기
Read more »

[Machine Learning] 데이터 증강 (Data Augmentation) 이란?

데이터 증강 (Data Augmentation)이란? 본격적으로 들어가기전 내용을 간략하게 요약하자면 다음과 같다. 요약을 바탕으로 본문에서는 좀더 깊이있게 설명하도록 하겠다. 이미지 데이터의 증강은 회전, 크기 조절, 색생 변화 등 다양한 변환을 통해 학습데이터의 다양성을 인위적으로 늘려 모델의 성능을 형상 시키는 방법 시계열 데이터의 증강은 시간 축 변환, 크기 조절, 시간 이동 등 다양한 기법을 통해 원본 데이터를 변형하여 학습 데이터의 다양성을 높이고 모델의 일반화를 향상 시키는 기법 CNN, R-CNN, YOLO 등 모델의 성능을 높이고 오버피팅을 극복할 수 있는 가장 좋은 방법은 다양한 유형의 학습 이미지 불균형 극복을 위한 데이터 양을 늘리는 것입니다. 하지만 사진, 동영상과 같은 이미지 데이터의 경우 학습 데이터 량을 늘리는 것은 쉽지가 않다. 이미지 데이터의 양을 늘리긴 위해서는 결국 클라스(라벨링)의 수도 증가하며, 이는 곧 엄청난 노가다가 필요하기 때문이다. 데이터 증강은 학습 이미지의 개수를 늘리는 것이 아니고 학습 시(epoch) 마다 개별 원본 이미지를 변형해서 학습하는 것 이다. 아래 첨부의 그림과 같이 학습 이미지를 변형할 수 있다. (출처:  https://blog.insightdatascience.com/automl-for-data-augmentation-e87cf692c366) 데이터 증강을 우리 일상생활로 쉽게 설면하자면 우리가 핸드폰 카메라를 통해 사진을 촬영하고 사진의 밝기, 크기, 좌우반전 등을 행하는 것을 이미지 데이터의 증강으로 이해하면 쉽다. tensorflow 에서 간단한 예제를 활용하여 이미지 데이터의 증강을 설명하고 있다. 본 블로그에서는 몇 가지 대표적인 데이터 증강 종류를 간단히 설명하고 마무리 하겠다. 기회가 된다면 텍스트 및 시계열 데이터의 증강 방법도 간략히 소개 후 마무리 하겠다. 이미지 데이터의 증강 (출처:  https://www.invivoo.com/ ) 이미지에 아래와 같이...
댓글 쓰기
Read more »