關聯規則學習（association rule learning）

關聯規則學習在成堆的交易記錄裡翻找「什麼和什麼搭著來」的潛規則。它的主場是超市收銀台：橫掃數百萬張小票，哪些商品總是出現在同一個購物籃裡？最有名（雖有爭議）的傳說是「買尿布的人也往往會買啤酒」。它產出的，是一組「如果—那麼」的規則——如果一個籃子裡有麵包和花生醬，那麼它往往也有果醬——全自動地發現，事先無需任何人去貼標籤。

三個數字讓規則保持誠實。支持度（support）問的是這個組合整體上有多常見——一條講「幾乎沒人會一起買」之物的規則，是瑣聞，而非洞見。置信度（confidence）問的是，在擁有第一件商品的籃子裡，有多大比例也擁有第二件——這條規則有多可靠。而提升度（lift）問的是那個關鍵問題：第一件商品真的讓第二件比碰運氣更可能出現嗎，還是它倆只是恰好都熱銷？提升度大於1意味著一股真實的牽引；接近1則意味著巧合。經典的Apriori演算法用一個樸素的洞察高效地找出這些規則：一個組合若想頻繁，它所有更小的組成部分也必須頻繁，這就讓它能把成山的沒指望的候選剪掉。

它驅動著推薦裡的那些輕推（「經常一起購買」）、店內貨架的佈局，以及醫學上症狀共現的分析。最要緊的誠實提醒是：關聯不等於因果。規則只說這些東西一起出現，而非其中一個導致了另一個——兩者也許都由第三個因素推動（一個節日、一個季節、一類共同的購物者）。而面對成千上萬種商品，你會挖出洪水般的規則，其中大多要麼顯而易見、要麼純屬偶然；真正的本事，是從雜訊裡篩出那寥寥幾條既出人意料、又可付諸行動的。