注: 以下の翻訳の正確性は検証されていません。AIPを利用して英語版の原文から機械的に翻訳されたものです。
頻出パターンマイニング
Pipeline Builder は、データ加工で Frequent Pattern Growth（FP-Growth）アルゴリズムの機能を活用することで、頻出パターンマイニングのプロセスを簡素化します。このアルゴリズムにより、マイニングワークフローを簡単に構築・管理し、大規模なデータセットから価値のある頻出パターンを見つけることができます。
頻出パターンマイニングは、大規模なデータセット内で繰り返し現れるパターンや関連性を特定するためのデータマイニング手法です。頻出パターンマイニングの主な目的は、偶然に期待される頻度よりも高い頻度で同時に発生する項目やイベントの間の関係を見つけることです。こうしたパターンは、頻出項目集合と呼ばれることが多く、データに隠れた関連性や依存関係を明らかにして、より適切な意思決定や予測に役立ちます。
頻出パターンマイニングは、マーケットバスケット分析、レコメンデーションシステム、バイオインフォマティクス、ネットワークトラフィック分析、顧客属性分析、説明可能な AI（XAI）など、さまざまな分野で幅広く活用できます。頻出パターンを特定することで、組織は価値あるインサイトを得て、戦略を強化し、全体的な効率を向上させることができます。
頻出パターンマイニングの例：マーケットバスケット分析
小売業における頻出パターンマイニングの一般的な用途に、「マーケットバスケット分析」があります。Pipeline Builder の Frequent Pattern Growth データ加工を使用すると、同じトランザクションに頻繁に現れる製品の組み合わせを特定できます。
たとえば、スーパーマーケットが顧客の過去の購入（トランザクション）のデータセットを保有しているとします。各トランザクションには、一緒に購入された製品が含まれています。以下は、こうしたトランザクションの簡略化したデータセットの例です。
| transaction_id | products_purchased |
|---|---|
| 1 | [Bread, Butter, Milk] |
| 2 | [Bread, Butter] |
| 3 | [Bread, Diapers, Beer] |
| 4 | [Milk, Diapers, Beer, Butter] |
| 5 | [Bread, Butter, Diapers] |
Frequent Pattern Growth データ加工は、項目列と最小支持度の値を入力として受け取ります。この例では、products_purchased 列が項目列です。頻出パターンのみが出力に含まれるよう、最小支持度を0.6に設定します。これにより、データ加工はトランザクションの少なくとも60%に現れるパターンのみを返します。次のスクリーンショットは、この例のデータ加工を設定する方法を示しています。
データ加工の出力データセットは次のとおりです。
| pattern | pattern_occurence | total_count |
|---|---|---|
| [Bread] | 4 | 5 |
| [Butter] | 4 | 5 |
| [Bread, Butter] | 3 | 5 |
| [Diapers] | 3 | 5 |
この場合、頻出パターンマイニングにより、Bread と Butter がトランザクションに一緒に現れることが多いとわかります（5件のトランザクションで3回出現する頻出項目集合です）。この情報は、製品の配置（パンとバターを近くに置いて売上を増やす）や販促（パンと一緒に購入したバターを割り引く、またはその逆）など、さまざまなビジネス戦略に活用できます。
上記は、実際のユースケースで見られる、はるかに大規模で複雑なデータセットを簡略化した例です。効果的な頻出パターンマイニングには、FP-Growth のような効率的なアルゴリズムの使用が不可欠です。