Skip to content
Voltar aos resultados

Regras de Associação

Proposto por
Agrawal, R., Imielinski, T., & Swami, A.
Ano
1993
Tipo
Unsupervised pattern discovery
Família
Machine learning

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A aprendizagem de regras de associação é uma técnica não supervisionada que descobre padrões de coocorrência — implicações 'se X então Y' — dentro de grandes conjuntos de dados transacionais.

Formalizada originalmente por Agrawal, Imielinski e Swami (1993) para análise de cestas de supermercado, é agora amplamente aplicada em recomendação de e-commerce, informática em saúde, bioinformática e pesquisa comportamental.

A intuição por trás do método

Imagine escanear milhões de recibos de compras e perguntar: quais combinações de produtos tendem a aparecer juntas? A mineração de regras de associação responde a essa pergunta contando com que frequência os conjuntos de itens coocorrem (suporte), quão confiavelmente um item prevê outro (confiança) e se a coocorrência é mais forte do que o acaso (lift). Regras como 'fraldas → cerveja' com alta confiança e lift revelam padrões comportamentais genuínos em vez de coincidências, tornando esta uma ferramenta exploratória poderosa quando não há uma variável de resultado para supervisionar.

História

A aprendizagem de regras de associação foi formalmente introduzida por Agrawal, Imielinski e Swami na conferência ACM SIGMOD de 1993, motivada pelo desafio de minerar bancos de dados de transações de supermercado. Seu artigo subsequente de 1994 introduziu o algoritmo Apriori, fornecendo um método computacional eficiente. O campo cresceu rapidamente nas décadas de 1990 e 2000, com o FP-growth (Han et al., 2000) posteriormente oferecendo melhorias adicionais de velocidade. As regras de associação permanecem uma técnica fundamental nos currículos de mineração de dados e são rotineiramente aplicadas no varejo, saúde e análise da web.

Quando usar

Use regras de associação quando seu objetivo for a descoberta exploratória de padrões de coocorrência em dados transacionais ou codificados binariamente — cestas de compras, codiagnósticos clínicos, clickstreams, baterias de itens de pesquisa ou perfis de expressão gênica. O método é não supervisionado e não requer um rótulo de resultado, tornando-o ideal para a geração de hipóteses. Não o use quando você tem uma variável de resultado definida e busca prevê-la (use classificação supervisionada ou regressão); quando seus dados são contínuos e não foram discretizados de forma significativa; quando os tamanhos das amostras são pequenos (conjuntos de itens esparsos produzem estimativas de suporte não confiáveis); ou quando a saída da regra for confundida com inferência causal — as regras de associação são puramente correlacionais.

Limitações e considerações

  • Requer que os dados sejam transacionais ou binários discretizados; características contínuas precisam de agrupamento (binning), o que introduz escolhas arbitrárias.
  • O número de regras pode ser enorme; a filtragem e classificação post-hoc por lift ou outras medidas de interesse é obrigatória.
  • Os limiares de suporte e confiança devem ser definidos pelo pesquisador; os resultados são sensíveis a essas escolhas.
  • As regras são puramente correlacionais — afirmações causais exigem design de estudo adicional (por exemplo, experimento ou quase-experimento).
  • Computacionalmente caro em conjuntos de dados com conjuntos de itens muito grandes, mesmo com poda.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Totalmente não supervisionado: nenhuma variável de resultado rotulada é necessária, permitindo a descoberta de padrões abertos.
  • Saída interpretável: cada regra é uma declaração SE–ENTÃO legível por humanos com suporte, confiança e lift quantificados.
  • Escala para bancos de dados transacionais muito grandes por meio de heurísticas de poda (Apriori, FP-growth).
  • Aplicável em diversos domínios onde a coocorrência em registros codificados binariamente é significativa.
  • Geração de hipóteses: revela coocorrências inesperadas que podem guiar análises confirmatórias subsequentes.

Aplicações

  • Análise de cesta de mercado: identificando quais produtos são frequentemente comprados juntos para guiar o posicionamento de produtos e promoções.
  • Recomendação de e-commerce: gerando sugestões 'clientes que compraram X também compraram Y'.
  • Descoberta de comorbidade clínica: encontrando conjuntos de diagnósticos, medicamentos ou sintomas que coocorrem em registros de pacientes.
  • Bioinformática: detectando genes coexpressos ou variantes genéticas coocorrentes entre amostras.
  • Mineração de uso da web: descobrindo padrões comuns de clickstream e sequências de navegação em sites.
  • Pesquisa e comportamento: encontrando conjuntos de itens de questionário ou comportamentos que coocorrem entre os respondentes.

Como funciona

Como funciona

1

O conjunto de dados é representado como uma matriz de transações binária: cada linha é uma transação e cada coluna é um item possível, com 1 indicando que o item estava presente. Esta representação esparsa e ampla é o formato de entrada principal; itens não binários ou quantitativos devem ser discretizados antes desta etapa.

2

Todas as combinações de itens (conjuntos de itens) cuja frequência no banco de dados de transações atende a um limite mínimo de suporte definido pelo usuário são identificadas. O princípio Apriori — qualquer subconjunto de um conjunto de itens frequente também é frequente — poda drasticamente o espaço de busca combinatório, tornando a enumeração tratável mesmo em grandes catálogos.

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

Para cada conjunto de itens frequente, todas as possíveis divisões antecedente-consequente (X → Y onde X e Y são subconjuntos disjuntos não vazios) são geradas como regras candidatas. O número de candidatos pode ser grande, portanto, a etapa de filtragem subsequente é essencial.

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

Cada regra candidata é avaliada por sua confiança: a probabilidade condicional de que Y esteja presente dado que X está presente. Apenas as regras que excedem um limite mínimo de confiança são retidas, filtrando antecedentes que preveem o consequente apenas marginalmente melhor do que a taxa base.

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

As regras retidas são classificadas por lift, a razão entre o suporte conjunto observado e o suporte esperado sob independência. Lift maior que 1 sinaliza associação positiva genuína; lift próximo de 1 indica que os itens coocorrem não mais do que por acaso; lift abaixo de 1 indica associação negativa. A ordenação por lift revela as regras mais acionáveis e não triviais.

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

Erros comuns

  • Definir o suporte mínimo muito baixo, o que inunda a saída com regras espúrias e de baixa frequência que não generalizam.
  • Ignorar o lift e relatar todas as regras de alta confiança, muitas das quais podem simplesmente refletir itens de alta taxa base.
  • Tratar as regras descobertas como causais sem validação adicional (por exemplo, confundir 'cerveja e fraldas coocorrem' com 'cerveja causa a compra de fraldas').
  • Aplicar regras de associação a dados contínuos sem discretização fundamentada, produzindo regras que dependem inteiramente de limites de compartimentos arbitrários.
  • Ignorar preocupações com múltiplas comparações quando milhares de regras são geradas e destacadas seletivamente.

Perguntas frequentes

Como escolho os limiares mínimos de suporte e confiança?

Não há uma regra universal. Comece explorando a distribuição de suporte de itens individuais, então defina o suporte mínimo baixo o suficiente para capturar padrões de interesse, mas alto o suficiente para garantir que os conjuntos de itens apareçam em um número absoluto significativo de transações. Uma confiança mínima de 0,6–0,8 é um intervalo inicial comum, mas o conhecimento do domínio e a classificação baseada em lift devem guiar a seleção final.

Qual a diferença entre confiança e lift, e qual devo priorizar?

A confiança mede com que frequência Y segue X entre as transações que contêm X, mas ignora a taxa base de Y. O lift corrige isso dividindo a confiança pelo suporte marginal de Y. Uma regra com alta confiança, mas lift próximo de 1, adiciona pouca informação além de saber que Y é comum. Priorize o lift ao filtrar associações genuinamente não triviais.

As regras de associação podem ser usadas para previsão?

Elas são principalmente descritivas e exploratórias, em vez de preditivas. Embora seja possível usar regras com um consequente fixo (um único item alvo) para classificação — uma técnica chamada classificação associativa — a mineração padrão de regras de associação não otimiza uma função de perda preditiva e não deve substituir modelos supervisionados quando um resultado rotulado está disponível.

Meu conjunto de dados tem variáveis contínuas. Ainda posso usar regras de associação?

Somente após a discretização. Variáveis contínuas devem ser agrupadas em intervalos categóricos (por exemplo, grupos de idade, quintis) antes de serem codificadas como itens binários. A escolha dos limites dos compartimentos afeta substancialmente quais regras emergem, portanto, as decisões de discretização devem ser teoricamente motivadas e relatadas de forma transparente.

Como as regras de associação diferem da análise de correlação?

A correlação (por exemplo, r de Pearson) mede a relação linear entre duas variáveis contínuas. As regras de associação descobrem padrões de coocorrência entre conjuntos de itens binários — de qualquer tamanho de combinação — em dados transacionais. As métricas (suporte, confiança, lift) são baseadas em frequência, em vez de baseadas em momentos, e a saída é um conjunto de regras SE–ENTÃO legíveis por humanos, em vez de um único coeficiente numérico.

Métodos relacionados

Fontes

  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 referência 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.