What are association rules in data mining?

• Las reglas de asociación son patrones o relaciones descubiertas en conjuntos de datos que ocurren juntos con frecuencia.
• Las reglas de asociación ayudan a descubrir patrones de compra y preferencias de los clientes. También contribuyen a los sistemas de recomendación, la detección de fraudes y la comprensión de las relaciones entre diferentes variables en un conjunto de datos.
• Se utilizan varias métricas para evaluar la fuerza y la importancia de las reglas de asociación, como el soporte, la confianza y el lift.

Las reglas de asociación en la minería de datos dilucidan las relaciones entre los elementos de datos mediante declaraciones if-then. Estas reglas, derivadas de patrones frecuentes, ayudan a discernir asociaciones significativas dentro de grandes conjuntos de datos. Al identificar co-ocurrencias, los científicos de datos extraen información procesable, lo que ayuda a la toma de decisiones en varios ámbitos. Desde el análisis de clientes hasta las finanzas, las reglas de asociación desempeñan un papel en la detección de patrones y tendencias, facilitando estrategias informadas y mejorando la eficiencia operativa.

¿Qué son las reglas de asociación en la minería de datos?

Las reglas de asociación representan relaciones condicionales entre elementos de datos dentro de conjuntos de datos extensos que se encuentran en diversos formatos de base de datos. Básicamente, la minería de reglas de asociación utiliza técnicas de aprendizaje automático para examinar los datos en busca de patrones recurrentes, conocidos como co-ocurrencias, dentro de una base de datos. Estos patrones, que representan asociaciones if-then frecuentes, se denominan reglas de asociación. Ver también: La FCC respalda a los constructores de fibra con límites de permisos.

Por ejemplo, si el 75% de los clientes que compran cereales también compran leche, sugiere una tendencia perceptible en los datos transaccionales que indica que los compradores de cereales a menudo también optan por la leche. En este escenario, una regla de asociación afirmaría una conexión entre las compras de cereales y leche. Ver también: Ofcom expone la brecha de cobertura móvil en los trenes del Reino Unido.

Se emplean varios algoritmos para descubrir tales patrones dentro de los conjuntos de datos, capaces de manejar grandes volúmenes de datos. Las tecnologías de inteligencia artificial (IA) y aprendizaje automático se utilizan cada vez más para potenciar estos algoritmos y sus reglas de asociación asociadas para gestionar los grandes volúmenes de datos generados hoy en día. Ver también: Robert Neuwirth.

Lea también: 5 roles y responsabilidades de la gobernanza de datos

Tipos de reglas de asociación en la minería de datos

Generalizadas: estas reglas sirven como ejemplos generales, ofreciendo una perspectiva amplia de las asociaciones entre los puntos de datos. Ver también: La UE reescribe las reglas de soberanía de la infraestructura de IA.

Multinivel: las reglas de asociación multinivel clasifican los puntos de datos en distintos niveles de importancia, también denominados niveles de abstracción. Discernen asociaciones entre puntos de datos de importancia variable. Ver también: La UE expulsa a los operadores satelitales estadounidenses del espectro.

Cuantitativa: esta categoría de reglas de asociación describe instancias donde se establecen conexiones entre puntos de datos numéricos. Ver también: La FCC exige licencias para los aterrizajes de cables submarinos en EE. UU..

Multirelacional: más completa que las reglas de asociación convencionales, las reglas multirelacionales van más allá de los puntos de datos individuales para abarcar relaciones a través de bases de datos múltiples o multidimensionales. Ver también: EE. UU. cierra la laguna legal de los chips de IA en el extranjero.

¿Cómo funcionan las reglas de asociación?

Las reglas de asociación constan de dos segmentos: un antecedente (si) y un consecuente (entonces). El antecedente denota un elemento presente en el conjunto de datos, mientras que el consecuente se refiere a un elemento observado en conjunción con el antecedente. Estas declaraciones if-then constituyen conjuntos de elementos, que forman la base para derivar reglas de asociación que comprenden dos o más elementos dentro de un conjunto de datos. Ver también: La FCC reabre la subasta AWS-3 tras el incumplimiento de Dish.

Los analistas de datos examinan los conjuntos de datos en busca de declaraciones if-then que se repiten con frecuencia, y posteriormente evalúan el soporte de estas declaraciones en función de su frecuencia de ocurrencia y la confianza derivada del número de instancias confirmadas.

Las reglas de asociación suelen derivarse de conjuntos de elementos que presentan numerosos elementos bien representados en los conjuntos de datos. Sin embargo, generar reglas examinando todos los conjuntos de elementos posibles o un número excesivo de combinaciones de elementos produce un volumen excesivo de reglas, que a menudo carecen de importancia.

Una vez establecidas, los científicos de datos y los profesionales en campos que dependen del análisis de datos emplean reglas de asociación para descubrir patrones significativos dentro de los conjuntos de datos.

Lea también: 10 principios de la gobernanza de datos

Aplicaciones de las reglas de asociación

En ciencia de datos, las reglas de asociación se utilizan para encontrar correlaciones y co-ocurrencias entre conjuntos de datos. Este proceso, a menudo denominado minería de reglas de asociación o minería de asociaciones, profundiza en patrones dentro de repositorios de información aparentemente dispares, como bases de datos relacionales y bases de datos transaccionales.

Varios sectores aprovechan las reglas de asociación para diversos fines, incluidos:

Analítica de clientes: se utiliza para analizar y predecir el comportamiento de los clientes, especialmente en áreas como las tendencias de compra y los historiales de transacciones.

Análisis de la cesta de la compra: se utiliza en entornos minoristas para identificar productos que se compran juntos con frecuencia, mejorando las estrategias de marketing y ventas.

Agrupación de productos y diseño de tiendas: facilita el examen de los datos de productos para agrupar artículos en función de atributos comunes, lo que ayuda en el diseño de la distribución de la tienda.

Diseño de catálogos: informa la colocación y presentación de productos en los catálogos minoristas mediante el análisis del historial de compras de los clientes.

Desarrollo de software: se utiliza en el aprendizaje automático y la inteligencia artificial para desarrollar programas capaces de mejorar la eficiencia de forma autónoma, especialmente en tareas de minería de datos a gran escala.

Minería de textos: se utiliza para analizar las relaciones entre palabras y oraciones en documentos extensos, generando nuevos conocimientos.

Las reglas de asociación tienen aplicaciones prácticas en varios ámbitos, como por ejemplo:

Atención médica: facilita el diagnóstico al comparar las relaciones de síntomas de casos anteriores para determinar la probabilidad de una enfermedad determinada en función de los síntomas actuales, lo que ayuda a los médicos en la toma de decisiones.

Minorista: mejora las estrategias de marketing y ventas al identificar productos que se compran juntos comúnmente, informando la colocación de productos y la priorización de ventas.

Diseño de experiencia de usuario: optimiza las interfaces de sitios web en función de los datos de interacción del usuario, mejorando la participación y la usabilidad.

Entretenimiento: impulsa los motores de recomendación de contenido en plataformas como Netflix y Spotify mediante el análisis del comportamiento pasado de los usuarios para sugerir contenido relevante.

Finanzas: mejora la detección de fraudes en las transacciones mediante el análisis de patrones para diferenciar entre actividades legítimas y fraudulentas, reforzando los esfuerzos de gestión de riesgos.

Ciberseguridad: se emplea en algoritmos de aprendizaje automático para detectar y prevenir ciberataques mediante la identificación de patrones anómalos indicativos de comportamiento fraudulento.