在機器學習領域裡面，我們常常會根據輸入的資料是否有相對應的標注，將問題分成監督式學習（supervised learning）或者是非監督式學習（unsupervised learning）。而在非監督式學習裡面，有一個種類的學習應用場景非常的特殊，它能夠幫助我們尋找資料之間隱藏的規則，協助我們去做商業決策，這就是我們今天想來談談的主題─關聯規則學習（association rule learning）

所謂的關聯規則學習，目的就是要探勘出大量資料裡，哪些變量之間是有關聯性的，並找出資料之間的規則以及商業知識。由於這種學習方法常常被零售商拿來做商品銷售之分析，所以又被稱為購物籃分析（market basket analysis），常見此類型的演算法有Apriori以及FP-growth。

購物籃分析最經典且著名的例子莫過於零售商沃爾瑪(Wal-mart)的案例了。沃爾瑪於1990年代時，內部的資訊工程師在分析銷售數據的時候，意外的發現”星期五晚上”、”啤酒”、”尿布”的銷售有正相關性，得知這樣訊息的沃爾瑪，便決定在每個星期五將啤酒以及尿布放在同一個區域，而這也意外地提升了30%兩項商品之銷售量。

那麼到底他們是怎麼樣解讀這樣一個現象呢？後來經過許多調查才發現，原來週五的晚上，許多家庭的父親會到超市買尿布，順便也會為了週末的球賽購買啤酒，所以才造成兩項商品間顯著之相關性。

最後想要補充的是，關聯性分析除了可以應用在零售業外，一般像是推荐系統、金融數據分析等也常常被拿來做使用，如何從眾多資訊當中分析出有意義的價值，並做對的決策，是大數據時代裡，每個公司不可忽視的能力之一阿。

#啤酒與尿布

#關聯規則學習