AI時代系列(3) 機器學習三部曲: 🔹 第一部：《機器學習 —— AI 智慧的啟航》
48/100 第五週：非監督學習
48. 關聯規則學習（Apriori, FP-Growth） 🛍 「買了 A，可能會買 B」，用來做市場籃分析！
🛍 關聯規則學習（Apriori, FP-Growth）
「買了 A，可能會買 B」── 探索購物習慣，應用於市場籃分析！
________________________________________
🔎 一、什麼是關聯規則學習（Association Rule Learning）？
• 一種典型的非監督學習技術
• 從大量交易或行為資料中挖掘「物品間的關聯性」
• 核心目標：找出「如果 A 發生，B 也可能發生」的潛在規則
________________________________________
🧠 二、關鍵名詞解釋（務必理解）
支持度（Support）: 同時購買 A 與 B 的機率，出現頻率高才值得關注
信賴度（Confidence）: 購買 A 的顧客中，有多少比例會買 B（條件機率）
提升度（Lift）: A 發生後購買 B 的可能性提升了多少（>1 表示正相關）
✅ 範例：{牛奶} → {麵包}
• Support = 15%
• Confidence = 75%（買牛奶的人 75% 會買麵包）
• Lift = 1.8（正相關）
________________________________________
📈 三、經典應用場景
✅ 超商、電商購物分析（Market Basket Analysis）
✅ 推薦系統（Buy Together）
✅ 保險理賠詐欺偵測
✅ 醫療診斷（症狀關聯分析）
✅ 網路點擊流分析（哪些頁面常一起被看）
________________________________________
🛠 四、Apriori 演算法介紹
• 1970 年代提出的經典關聯規則演算法
• 核心邏輯：若一個集合是頻繁的，則其子集也必定頻繁（逐層遞增）
• 步驟：
1️⃣ 產生頻繁項目集（Frequent Itemsets）
2️⃣ 計算支持度
3️⃣ 過濾低支持度的項目
4️⃣ 生成關聯規則並計算 Confidence 和 Lift
________________________________________
🪄 五、FP-Growth（Frequent Pattern Growth）優化版
✅ 解決 Apriori 需要反覆掃描資料的效率問題
✅ 利用 壓縮的 FP-Tree 結構 儲存資料
✅ 遞迴地產生頻繁項目集，速度大幅提升
✅ 適用於資料量大或商品項目多的場景
_______________________________________
_
💻 六、Python 簡易範例（mlxtend 套件）
python
from mlxtend.frequent_patterns import apriori, association_rules
import pandas as pd
# 假設一份簡單的購物交易紀錄
dataset = pd.DataFrame([
['牛奶', '麵包', '尿布'],
['可樂', '尿布', '啤酒'],
['牛奶', '尿布', '啤酒', '可樂'],
['麵包', '牛奶', '尿布'],
['麵包', '牛奶', '可樂']
])
# One-hot 編碼
oht = pd.get_dummies(dataset.apply(pd.Series).stack()).sum(level=0)
# Apriori 挖掘
frequent_items = apriori(oht, min_support=0.4, use_colnames=True)
rules = association_rules(frequent_items, metric="lift", min_threshold=1)
print(rules[['antecedents', 'consequents', 'support', 'confidence', 'lift']])
這段程式碼展示了如何使用 mlxtend 套件對購物交易資料進行 關聯規則分析，具體流程如下：
首先，利用 pandas 建立了一份交易紀錄，每列代表一筆購物行為，接著透過 apply + stack 將每筆交易攤平成一欄，再用 get_dummies() 將商品轉換為 one-hot 編碼，並用 sum(level=0)（或 groupby(level=0).sum() 替代）彙總為每筆交易對各商品的有無紀錄。
接下來，使用 apriori() 函數以最小支持度 0.4（表示商品組合至少出現在 40% 的交易中）找出頻繁項目集，再透過 association_rules() 函數挖掘出這些項目集之間的關聯規則，並以 lift >= 1 為條件篩選。
最後，輸出包含前件 (antecedents)、後件 (consequents)、支持度 (support)、信賴度 (confidence) 與提升度 (lift) 的結果，用於判斷哪些商品有強關聯性，適合應用於行銷推薦或購物籃分析。
✅ 分析結果：
第 0 筆交易：牛奶、麵包、咖啡 ✅
第 1 筆交易：牛奶、尿布 ✅
第 2 筆交易：啤酒、尿布、麵包 ✅
________________________________________
📊 七、Apriori vs. FP-Growth 比較
Apriori 與 FP-Growth 是兩種常見的關聯規則挖掘演算法。Apriori 採用逐層擴展的方式，不斷重複掃描資料庫以找出頻繁項目集，邏輯簡單但效率較低，較適合處理小型資料；相對地，FP-Growth 則透過構建壓縮結構的 FP-Tree，利用遞迴方式快速生成模式，運算效率高，更適合大規模資料分析。然而，Apriori 的主要缺點是需大量計算與多次掃描資料，而 FP-Growth 雖快，但其樹狀結構較複雜，記憶體需求也較高。
________________________________________
🧠 八、關聯規則應用亮點
✅ 商品組合推薦（如蝦皮/淘寶「常一起買」）
✅ 廣告投放組合優化
✅ 跨品類行為分析（買嬰兒用品→買啤酒）
✅ 健康醫療決策輔助（症狀、藥品關聯）
________________________________________
📌 九、結論與精華
✔ 關聯規則學習是電商、零售、行銷的核心技術之一
✔ 幫助企業精準洞察消費者購物習慣，設計更有效的行銷策略
✔ FP-Growth 解決大數據下效率瓶頸，成為產業實務主流
________________________________________
📌 一句話精華
🛍 關聯規則學習 = 讓 AI 幫你找出「買了A，也會買B」的黃金組合，全面提升銷售力！
________________________________________
如果你需要：
