Saltar al contenido
Volver a los resultados

Reglas de asociación

Propuesto por
Agrawal, R., Imielinski, T., & Swami, A.
Año
1993
Tipo
Unsupervised pattern discovery
Familia
Machine learning

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El aprendizaje de reglas de asociación es una técnica no supervisada que descubre patrones de coocurrencia — implicaciones de 'si X entonces Y' — dentro de grandes conjuntos de datos transaccionales.

Originalmente formalizado por Agrawal, Imielinski y Swami (1993) para el análisis de cestas de supermercado, ahora se aplica ampliamente en recomendaciones de comercio electrónico, informática de la salud, bioinformática e investigación conductual.

La intuición detrás del método

Imagine escanear millones de recibos de compra y preguntar: ¿qué combinaciones de productos tienden a aparecer juntas? La minería de reglas de asociación responde a esa pregunta contando con qué frecuencia coocurren los conjuntos de ítems (soporte), con qué fiabilidad un ítem predice a otro (confianza) y si la coocurrencia es más fuerte que el azar (lift). Reglas como 'pañales → cerveza' con alta confianza y lift revelan patrones de comportamiento genuinos en lugar de coincidencias, lo que la convierte en una poderosa herramienta exploratoria cuando no se tiene una variable de resultado que supervisar.

Historia

El aprendizaje de reglas de asociación fue introducido formalmente por Agrawal, Imielinski y Swami en la conferencia ACM SIGMOD de 1993, motivado por el desafío de minar bases de datos de transacciones de supermercados. Su posterior artículo de 1994 introdujo el algoritmo Apriori, proporcionando un método computacional eficiente. El campo creció rápidamente a través de los años 90 y 2000, con FP-growth (Han et al., 2000) ofreciendo posteriormente mejoras adicionales de velocidad. Las reglas de asociación siguen siendo una técnica fundamental en los currículos de minería de datos y se aplican rutinariamente en el comercio minorista, la atención médica y la analítica web.

Cuándo usarlo

Utilice reglas de asociación cuando su objetivo sea el descubrimiento exploratorio de patrones de coocurrencia en datos transaccionales o codificados binariamente — cestas de compra, co-morbilidades clínicas, flujos de clics, baterías de ítems de encuestas o perfiles de expresión génica. El método no supervisado y no requiere una etiqueta de resultado, lo que lo hace ideal para la generación de hipótesis. No lo utilice cuando tenga una variable de resultado definida y busque predecirla (use clasificación o regresión supervisada en su lugar); cuando sus datos sean continuos y no se hayan discretizado de manera significativa; cuando los tamaños de muestra sean pequeños (conjuntos de ítems dispersos producen estimaciones de soporte poco fiables); o cuando la salida de la regla se confunda con inferencia causal — las reglas de asociación son puramente correlacionales.

Limitaciones y consideraciones

  • Requiere que los datos sean transaccionales o binarios discretizados; las características continuas necesitan ser agrupadas, lo que introduce elecciones arbitrarias.
  • El número de reglas puede ser enorme; el filtrado y la clasificación post-hoc por lift u otras medidas de interés son obligatorios.
  • Los umbrales de soporte y confianza deben ser establecidos por el investigador; los resultados son sensibles a estas elecciones.
  • Las reglas son puramente correlacionales — las afirmaciones causales requieren un diseño de estudio adicional (p. ej., experimento o cuasi-experimento).
  • Computacionalmente costoso en conjuntos de datos con conjuntos de ítems muy grandes, incluso con poda.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Totalmente no supervisado: no se requiere una variable de resultado etiquetada, lo que permite el descubrimiento de patrones de alcance abierto.
  • Salida interpretable: cada regla es una declaración SI-ENTONCES legible por humanos con soporte, confianza y lift cuantificados.
  • Escalable a bases de datos transaccionales muy grandes mediante heurísticas de poda (Apriori, FP-growth).
  • Aplicable en diversos dominios donde la coocurrencia en registros codificados binariamente sea significativa.
  • Generación de hipótesis: revela coocurrencias inesperadas que pueden guiar análisis de confirmación posteriores.

Aplicaciones

  • Análisis de la cesta de mercado: identificar qué productos se compran frecuentemente juntos para guiar la colocación de productos y las promociones.
  • Recomendación en comercio electrónico: generar sugerencias de 'clientes que compraron X también compraron Y'.
  • Descubrimiento de co-morbilidad clínica: encontrar conjuntos de diagnósticos, medicamentos o síntomas que coocurren en registros de pacientes.
  • Bioinformática: detectar genes co-expresados o variantes genéticas co-ocurrentes en muestras.
  • Minería de uso web: descubrir patrones comunes de flujos de clics y secuencias de navegación en sitios web.
  • Investigación conductual y de encuestas: encontrar conjuntos de ítems de cuestionario o comportamientos que coocurren entre los encuestados.

Cómo funciona

Cómo funciona

1

El conjunto de datos se representa como una matriz de transacciones binaria: cada fila es una transacción y cada columna es un ítem posible, con un 1 que indica que el ítem estuvo presente. Esta representación dispersa y ancha es el formato de entrada principal; los ítems no binarios o cuantitativos deben ser discretizados antes de este paso.

2

Se identifican todas las combinaciones de ítems (conjuntos de ítems) cuya frecuencia en la base de datos de transacciones cumple un umbral de soporte mínimo establecido por el usuario. El principio Apriori — cualquier subconjunto de un conjunto de ítems frecuente también es frecuente — reduce drásticamente el espacio de búsqueda combinatoria, haciendo que la enumeración sea tratable incluso en catálogos grandes.

Fórmula
\text{support}(X) = \frac{|\{t \in T : X \subseteq t\}|}{|T|} \geq \text{min\_sup}
3

Para cada conjunto de ítems frecuente, se generan todas las posibles divisiones antecedente-consecuente (X → Y donde X e Y son subconjuntos disjuntos no vacíos) como reglas candidatas. El número de candidatas puede ser grande, por lo que el paso de filtrado posterior es esencial.

Fórmula
X \Rightarrow Y, \quad X \cap Y = \emptyset
4

Cada regla candidata se evalúa por su confianza: la probabilidad condicional de que Y esté presente dado que X está presente. Solo se retienen las reglas que superan un umbral de confianza mínimo, filtrando los antecedentes que predicen el consecuente solo marginalmente mejor que la tasa base.

Fórmula
\text{confidence}(X \Rightarrow Y) = \frac{\text{support}(X \cup Y)}{\text{support}(X)} \geq \text{min\_conf}
5

Las reglas retenidas se clasifican por lift, la relación entre el soporte conjunto observado y el soporte esperado bajo independencia. Un lift mayor que 1 señala una asociación positiva genuina; un lift cercano a 1 indica que los ítems coocurren no más de lo que sería por azar; un lift por debajo de 1 indica una asociación negativa. Ordenar por lift revela las reglas más accionables y no triviales.

Fórmula
\text{lift}(X \Rightarrow Y) = \frac{\text{support}(X \cup Y)}{\text{support}(X) \cdot \text{support}(Y)}

Errores comunes

  • Establecer un soporte mínimo demasiado bajo, lo que inunda la salida con reglas espurias de baja frecuencia que no generalizan.
  • Ignorar el lift e informar todas las reglas de alta confianza, muchas de las cuales pueden simplemente reflejar ítems de alta tasa base.
  • Tratar las reglas descubiertas como causales sin validación adicional (p. ej., confundir 'cerveza y pañales coocurren' con 'la cerveza causa la compra de pañales').
  • Aplicar reglas de asociación a datos continuos sin una discretización principista, produciendo reglas que dependen completamente de límites de agrupamiento arbitrarios.
  • Pasar por alto las preocupaciones de comparación múltiple cuando se generan miles de reglas y se resaltan selectivamente.

Preguntas frecuentes

¿Cómo elijo los umbrales de soporte y confianza mínimos?

No hay una regla universal. Comience explorando la distribución de soporte de ítems individuales, luego establezca el soporte mínimo lo suficientemente bajo como para capturar patrones de interés pero lo suficientemente alto como para asegurar que los conjuntos de ítems aparezcan en al menos un número absoluto significativo de transacciones. Una confianza mínima de 0.6–0.8 es un rango inicial común, pero el conocimiento del dominio y la clasificación basada en lift deben guiar la selección final.

¿Cuál es la diferencia entre confianza y lift, y cuál debería priorizar?

La confianza mide con qué frecuencia Y sigue a X entre las transacciones que contienen X, pero ignora la tasa base de Y. El lift corrige esto dividiendo la confianza por el soporte marginal de Y. Una regla con alta confianza pero lift cercano a 1 agrega poca información más allá de saber que Y es común. Priorice el lift al filtrar asociaciones genuinamente no triviales.

¿Se pueden usar las reglas de asociación para la predicción?

Son principalmente descriptivas y exploratorias en lugar de predictivas. Si bien es posible usar reglas con un consecuente fijo (un solo ítem objetivo) para la clasificación — una técnica llamada clasificación asociativa — la minería estándar de reglas de asociación no optimiza una función de pérdida predictiva y no debe reemplazar los modelos supervisados cuando hay un resultado etiquetado disponible.

Mi conjunto de datos tiene variables continuas. ¿Aún puedo usar reglas de asociación?

Solo después de la discretización. Las variables continuas deben ser agrupadas en intervalos categóricos (p. ej., grupos de edad, quintiles) antes de ser codificadas como ítems binarios. La elección de los límites de los grupos afecta sustancialmente qué reglas emergen, por lo que las decisiones de discretización deben estar teóricamente motivadas y reportarse de manera transparente.

¿En qué se diferencian las reglas de asociación del análisis de correlación?

La correlación (p. ej., r de Pearson) mide la relación lineal entre dos variables continuas. Las reglas de asociación descubren patrones de coocurrencia entre conjuntos de ítems binarios — cualquier tamaño de combinación — en datos transaccionales. Las métricas (soporte, confianza, lift) se basan en la frecuencia en lugar de en los momentos, y la salida es un conjunto de reglas SI-ENTONCES legibles por humanos en lugar de un único coeficiente numérico.

Métodos relacionados

Fuentes

  1. Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207–216.

    Abrir referencia DOI
    Copiado.
  2. Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2018). Introduction to Data Mining (2nd ed., Ch. 5). Pearson.

    ISBN: 978-0-13-312890-1
    Copiado.