연관규칙 분석은 거래에서 품목 집합 X와 Y가 함께 나타나는 경향을 지지도·신뢰도·향상도로 평가하는 탐색 기법이다. Apriori의 가지치기 방향과 같은 거래의 동시 발생, 동일 대상의 시간 순차를 구별해야 규칙을 과장하지 않고 해석할 수 있다.
X→Y를 만든 뒤 서로 다른 분모를 적용하고 향상도를 1과 비교한다.
각 거래는 한 사건 단위에 함께 기록된 품목 묶음이다.
X와 Y는 겹치지 않으며 화살표가 인과나 시간 순서를 뜻하지 않는다.
전체 거래 중 X와 Y를 함께 포함한 비율
X 포함 거래 중 Y도 포함한 비율
Y의 기본 발생률과 신뢰도를 비교한다.
>1 증가·=1 독립 기준·<1 감소이며 인과나 매출 보장은 아니다.
미달 집합의 상위는 제거하지만 빈발 하위집합의 상위는 다시 계산한다.
품목 집합이 설정한 문턱을 넘는지 확인한다.
최소지지도 미달 집합을 포함하는 더 큰 후보도 제거한다.
하위집합이 빈발해도 상위집합의 지지도는 다시 세어야 한다.
같은 거래와 동일 대상의 시간 흐름을 구별하고 순차 분석의 세 입력을 확인한다.
일반 연관규칙은 사건 안에서 함께 있었는지를 센다.
같은 대상에게서 앞선 거래와 뒤의 거래를 잇는다.
같은 대상을 묶고 t1<t2와 각 거래의 품목을 확인하는 세 입력이 모두 필요하다.
판정 순서: 거래 단위와 X·Y 확인 → 세 척도의 분모 확인 → 향상도 1 비교 → 최소지지도에 따른 가지치기 또는 재계산 → 같은 거래인지 동일 대상의 t1<t2인지 구별 → 임곗값·표본·기간·선택 편향 범위 안에서 해석.
거래 집합에서 겹치지 않는 품목 집합 X와 Y로 X→Y 규칙을 만든 뒤 지지도·신뢰도·향상도를 계산하고 향상도를 1과 비교하는 구역, 최소지지도 미달 집합의 상위 조합은 제거하되 빈발 하위집합의 상위 후보는 지지도를 다시 세는 구역, 같은 거래의 동시 발생과 동일 대상의 t1<t2 순차 사건을 구별하며 순차 분석에 대상 식별자·거래 시각 또는 순서·품목 정보가 모두 필요함을 보여 주는 세 구역 결정 흐름
왼쪽 A 구역은 전체 거래 집합 D에서 선행 품목 집합 X와 결과 품목 집합 Y를 골라 X→Y를 만들고, 전체 거래 기준 지지도, X 포함 거래 기준 신뢰도, Y의 기본 발생률과 비교하는 향상도를 차례로 계산한다. 끝에서는 향상도를 1과 비교해 1 초과는 기본률보다 동시 발생이 많음, 1은 독립 기준, 1 미만은 기본률보다 동시 발생이 적음으로 읽되 인과나 매출 보장은 아니라는 경계를 둔다. 가운데 B 구역은 품목 집합이 최소지지도에 미달하면 그것을 포함한 상위 조합을 제거하는 길과, 하위집합이 빈발하더라도 상위집합의 빈발은 보장되지 않아 후보의 실제 지지도를 다시 세는 길을 대비한다. 오른쪽 C 구역은 일반 연관규칙의 같은 거래 동시 발생과 순차 패턴의 동일 대상 t1<t2 사건을 양방향 대비하고, 순차 분석 쪽에 대상 식별자, 거래 시각 또는 순서, 품목 정보의 세 입력이 모두 모여야 함을 연결한다. A의 척도 확인은 B의 후보 판정으로, B의 재계산 결과는 C의 분석 단위 선택으로 이어진다.
연관규칙 분석은 같은 거래에서 X와 Y가 함께 나타나는 경향을 세 척도로 평가하고, Apriori로 후보를 줄이며, 동일 대상의 시간 순서를 따지는 순차 연관분석과 구별하는 탐색 기법이다.
공식을 한 줄로 이어 그리지 않고, 척도의 분모·방향 전환·Apriori 가지치기·분석 단위와 해석 경계를 각각 질문 카드로 묶어 틀리기 쉬운 판단을 되짚는다.
가상의 간식 주문 40건에서 X가 든 주문은 12건, Y가 든 주문은 20건, X와 Y가 함께 든 주문은 9건이라고 하자.
지지도는 전체 40건 중 함께 든 9건이므로 9/40이다. X→Y의 신뢰도는 X가 든 12건 중 9건인 9/12이고, 향상도는 이 값을 Y의 기본 발생률 20/40으로 나눈 값이다. 방향을 Y→X로 바꾸면 신뢰도의 분모가 20건으로 바뀌지만 지지도는 같은 9/40이고 향상도도 같은 값으로 유지된다. 이 가상 수치는 함께 나타난 경향만 보여 주며 X가 Y를 일으켰다는 뜻은 아니다.
기억할 것: 전체 거래·X 포함 거래·Y 기본 발생률을 각각 표시한 뒤 방향 전환 때 바뀌는 값과 유지되는 값을 나눈다.
가상 자료의 각 행에는 한 번의 주문에 함께 담긴 품목만 있고 대상 식별자와 주문 시각은 없다. 한 가상 판단은 X→Y 규칙이 발견되었으므로 동일한 사람이 X를 먼저 주문한 뒤 Y를 주문했다고 결론 내렸다.
이 자료로 확인할 수 있는 것은 같은 거래에서 X와 Y가 함께 나타났다는 사실뿐이다. 화살표는 규칙의 읽는 방향이지 시간축이 아니다. 동일 대상의 앞뒤 사건을 보려면 대상 식별자, 시간 또는 순서, 품목 정보가 모두 있는 순차 자료가 필요하므로 제시된 결론은 자료가 허용하는 범위를 넘는다.
기억할 것: 한 거래의 동시 발생과 동일 대상의 t1<t2 순차를 구별하고 순차 분석의 세 입력을 확인한다.
자료의 거래 단위와 순차 입력을 확인하고, 지지도·신뢰도·향상도의 분모와 방향 전환 효과를 구별하며, Apriori 가지치기의 성립 방향을 판정한 뒤 결론을 자료의 범위 안으로 제한하게 하는 개념이다.
함정: 높은 신뢰도를 인과로 바꾸고, 규칙을 뒤집을 때 세 척도가 모두 변한다고 보며, 빈발 하위집합의 상위도 빈발한다고 단정하거나 같은 거래의 화살표를 시간 순서로 오해하고 연관을 판매 성과로 과장한다.
정답: ② A를 포함한 상위 조합은 제거하되, 빈발한 하위집합에서 만든 새 후보의 지지도는 다시 계산한다.
A가 최소지지도에 미달하면 A를 포함한 더 큰 집합은 A보다 자주 나타날 수 없어 제거할 수 있다. 반대로 하위집합의 빈발은 상위집합의 빈발을 보장하지 않으므로 새 후보는 거래 자료에서 지지도를 다시 세어야 한다.
연관규칙 분석은 여러 거래에서 어떤 품목들이 함께 나타나는 경향을 X→Y 꼴로 찾는 탐색적 데이터 마이닝 기법이다. 전체 거래 자료를 거래 집합이라 하며, 그 안의 각 거래는 한 번에 함께 기록된 품목들의 묶음이다. X는 규칙의 앞에 놓인 선행 품목 집합, Y는 뒤에 놓인 결과 품목 집합이고 둘은 서로 겹치지 않는다.1 이는 인공지능·머신러닝·딥러닝의 넓은 체계 안에서 모형이 오차를 줄이며 학습하는 절차와 구별해 읽을 필요가 있다.
핵심은 규칙의 모양보다 지지도·신뢰도·향상도의 분모, Apriori의 가지치기 방향, 동시 발생과 시간 순서의 차이를 정확히 잡는 데 있다. 발견한 규칙을 추천에 쓸 때는 추천 랭킹의 탐색과 활용 균형과 추천 랭킹의 위치 편향과 자기 강화를, 결과의 안정성을 볼 때는 평판 점수의 표본 크기와 최근성 가중과 온라인 댓글의 선택 편향과 침묵 자료를 함께 떠올리면 분석의 한계를 놓치지 않게 된다.
X→Y전체 거래 집합을 D, 개별 거래를 T라고 하자. T는 같은 영수증이나 같은 사건 단위에 함께 기록된 품목들의 집합이다. 어떤 품목 집합 A의 support(A)는 D의 모든 거래 중 A를 전부 포함하는 거래의 비율이다. 따라서 X→Y는 “X가 들어 있는 거래에서 Y도 함께 발견되는 경향”을 표시한다. 화살표는 규칙을 읽는 방향이지, X가 시간상 먼저 일어났거나 Y를 일으켰다는 표시가 아니다.1
support(X∪Y). 전체 거래를 기준으로 X와 Y가 함께 들어 있는 비율이다.support(X∪Y) / support(X). X가 포함된 거래만 분모로 삼아 그중 Y까지 포함된 몫을 센다.confidence(X→Y) / support(Y). X가 있을 때의 Y 비율을 Y의 평소 발생률과 견주어 본다.2예를 들어 100개 거래 중 X가 20개, Y가 60개, 둘이 함께 있는 거래가 15개라고 해 보자. 지지도는 0.15, X→Y의 신뢰도는 0.75이다. 그러나 Y는 원래 0.60의 비율로 나타나므로 향상도는 1.25이다. 높은 신뢰도만 보면 X가 Y를 강하게 설명하는 듯하지만, Y 자체가 흔해서 생긴 착시가 섞일 수 있는 것이다.2
향상도가 1보다 크면 X가 있을 때 Y가 기본 발생률보다 더 많이 함께 나타났고, 1이면 두 집합이 독립인 기준과 같으며, 1보다 작으면 함께 나타나는 정도가 그 기준보다 낮다는 뜻이다. 이 값은 연관이나 예측 후보를 고르는 단서일 뿐이다. 원인과 결과를 입증하지 않으며, 함께 진열하거나 추천했을 때 매출이 늘어난다는 보장도 아니다.
Y→X로 바꾸면 신뢰도의 분모가 support(Y)로 바뀐다. 위 가정에서 역방향 신뢰도는 0.25이므로 0.75였던 정방향과 다르다. 반면 두 방향은 똑같은 X∪Y를 세므로 지지도는 모두 0.15이다. 향상도 역시 정방향에서는 0.75/0.60, 역방향에서는 0.25/0.20으로 모두 1.25이다. 즉 신뢰도는 화살표를 돌리면 달라질 수 있지만, 지지도·향상도의 값은 어느 집합을 앞에 놓아도 변하지 않는다.3
Apriori는 품목 조합을 무작정 모두 검사하지 않고 최소지지도를 이용해 후보를 줄인다. 품목 집합 A가 최소지지도에 미달했다면 A를 포함하는 더 큰 집합은 A보다 자주 나타날 수 없다. 그러므로 A의 모든 상위 조합을 계산 대상에서 제거할 수 있다.4
그러나 이 논리를 거꾸로 쓰면 안 된다. 어떤 하위 집합이 빈발했다는 사실은 그것을 포함한 상위 집합도 빈발한다는 보장이 아니다. 빈발 하위집합은 상위 후보를 만드는 출발점일 뿐이고, 새 후보의 지지도는 거래 자료에서 다시 세어야 한다. 최소지지도를 높이면 후보와 계산량은 줄지만 드물게 나타나는 규칙을 놓칠 수 있으므로, 임곗값은 분석 목적과 자료 규모에 맞춘 설정값으로 보아야 한다.
일반 연관규칙은 같은 거래 안의 동시 발생을 본다. 한 거래에 X와 Y가 함께 있으면 규칙 계산에 들어가지만, 어느 것이 먼저였는지는 알 수 없다. 순차 연관분석은 이와 달리 동일한 대상의 여러 거래를 순서대로 묶어 t1의 A 뒤 t2의 B가 나타나는지 살핀다. 이때 t1<t2가 성립해야 하므로 누구의 기록인지 가리는 식별 열, 사건의 앞뒤를 정하는 시간 또는 차례, 매 거래에 든 품목 목록이 모두 필요하다.5
따라서 고객 식별자가 없으면 서로 다른 사람의 사건을 한 흐름처럼 잘못 이을 수 있고, 시각·순서가 없으면 동시 발생과 선후 관계를 가를 수 없다. 순차 패턴에서 “A 다음 B”가 관찰되어도 A가 B의 원인이라고 결론낼 수는 없다.
먼저 자료의 분석 단위를 표시한다. 한 행이 하나의 거래이고 함께 든 품목만 세면 일반 연관규칙이다. 같은 대상의 여러 행을 시간순으로 이어야 하면 순차 패턴이며, 대상 식별자·시각 또는 순서·품목 열이 모두 있는지 확인한다.
다음으로 식의 분모를 적는다. 전체 거래면 지지도, X 포함 거래면 신뢰도, Y의 기본 발생률과 비교하면 향상도이다. 규칙을 뒤집은 선지에서는 신뢰도만 다시 계산하고, 같은 합집합의 지지도와 대칭적인 향상도는 유지되는지 본다. Apriori 선지는 “미달 하위집합에서 상위집합 제거” 방향만 성립하는지 점검한다.
마지막으로 결론의 범위를 제한한다. 임곗값, 표본 구성, 관찰 기간이 달라지면 발견 규칙도 달라질 수 있다. 특정 이용자나 구매자만 자료에 남는 선택 편향이 있으면 관찰되지 않은 집단까지 같은 패턴으로 일반화하기 어렵다. 연관을 인과나 판매 성과로 바꾸어 말하는 선지는 이 경계를 넘는다.
| 흔한 오해 | 왜 틀렸나 | 바르게 이해하기 |
|---|---|---|
| 신뢰도가 높으면 X가 Y의 강한 원인이다 | Y가 원래 흔해도 신뢰도는 높아질 수 있다 | support(Y)와 향상도를 함께 보고도 인과로 단정하지 않는다 |
X→Y와 Y→X의 세 척도는 모두 달라진다 |
합집합과 두 지지도의 곱은 방향에 무관하다 | 신뢰도는 달라질 수 있지만 지지도·향상도는 같다 |
| 향상도 1 초과면 추천이나 진열이 성공한다 | 관찰 자료의 동반 출현이 개입 효과를 보장하지 않는다 | 연관·예측 후보를 찾는 단서로만 쓴다 |
| 빈발한 A의 상위 조합도 빈발한다 | 품목이 추가되면 포함 거래 수는 늘 수 없다 | 상위 후보의 지지도를 다시 계산한다 |
| 같은 거래의 X와 Y에서 X가 먼저다 | 일반 연관규칙의 화살표는 시간축이 아니다 | 시간 순서는 동일 대상의 t1<t2 자료로 판단한다 |
| 규칙은 자료가 바뀌어도 유지된다 | 임곗값·표본·기간·선택 편향이 후보와 수치를 바꾼다 | 분석 조건을 확인한 범위 안에서만 해석한다 |
Agrawal·Imieliński·Swami가 SIGMOD Record에 발표한 1993년 연구는 거래의 품목 묶음 사이에서 규칙을 찾는 문제를 제시한다. Hahsler·Grün·Hornik가 JSS에 낸 2005년 arules 연구는 거래 자료, 빈발 품목 집합, 규칙 품질 척도를 한 계산 환경에서 다룬다. ↩ ↩2
Oracle OML for SQL 23의 Apriori 설명서는 지지도·신뢰도·역방향 신뢰도·향상도의 정의와 무작위 동시 발생 기준을 정리한다. Y의 평소 비율을 먼저 확인해야 높은 신뢰도의 착시를 피할 수 있다. ↩ ↩2
방향 전환에 따른 세 척도의 변화는 Hahsler·Grün·Hornik의 arules 연구와 Oracle OML 설명서의 정의를 함께 적용해 확인할 수 있다. ↩
Agrawal·Srikant가 VLDB에 발표한 1994년 Apriori 연구는 빈발 품목 집합을 단계적으로 만들고 결격 후보를 가지치기하는 절차의 근거다. 기억할 방향은 ‘미달이면 상위 제거, 빈발이면 상위 재검사’이다. ↩
Agrawal·Srikant가 ICDE에 발표한 1995년 순차 패턴 연구는 같은 대상의 거래를 식별 정보·거래 시각·구매 품목으로 구성해 순서 규칙을 찾는다. 동시 발생 자료에 시간 화살표를 덧붙이는 것과는 다르다. ↩
이 개념이 어느 시험·지문에 등장했는지의 기록입니다. 개념 자체의 난이도가 아니라 출제 맥락을 보여줍니다.
출제 기록이 확인되면 여기에 시험·지문·문항이 채워집니다.
사실 확인에 사용한 기관 자료와 연구 문서입니다. A는 원자료·공식 기관, B는 전문 해설 자료입니다.
SIGMOD Record, ACM / IBM Research · 2026. 8. 3. 확인
사용 범위: 개념·사실 확인 · 추가 읽기
Proceedings of VLDB 1994, VLDB Endowment · 2026. 8. 3. 확인
사용 범위: 개념·사실 확인 · 추가 읽기
Oracle Machine Learning for SQL 23 Documentation · 2026. 8. 3. 확인
사용 범위: 개념·사실 확인 · 추가 읽기
Journal of Statistical Software · 2026. 8. 3. 확인
사용 범위: 개념·사실 확인 · 추가 읽기
잘못된 내용을 발견하셨나요? 신고해 주시면 검토 후 반영합니다.