🔖 キーワード索引

「association rule」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「association rule」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「association rule の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む

物語①: 「おむつとビール」伝説

1990 年代、 米国大手スーパー Osco Drug がレシートデータ 120 万件を解析した結果、 金曜夕方に紙おむつとビールを同時購入する人が異常に多い と判明したという逸話があります（厳密には伝説要素も含む）。 「赤ちゃんを寝かしつけた後、 父親が今晩の缶ビールも買いにくる」という仮説が立てられ、 二商品の棚を近づけたところ売上が伸びたとされています。

物語②: Amazon の「この商品を買った人はこちらも」

EC サイトのレコメンドエンジンは、 ユーザーの購買履歴を巨大な「バスケット」とみなし、 アソシエーションルールを使って 意外な共起ペア を抽出します。 例: 統計学の入門書を買った人は、 高確率で R 言語の教科書も買う ── これは support 0.02 / confidence 0.4 / lift 6.0 のような数字で評価されます。

バスケット（トランザクション）の構造

各行が「1 回のレジ通過 = 1 トランザクション」、 各列が「ある商品が含まれていたかの 0/1 ダミー」です。 アソシエーション分析はこの巨大な 0/1 行列から 「A=1 のとき B=1 になりやすい」 という条件付き構造を見つけます。

本ページでの応用: SSDSE-B-2026 都道府県データ

本ページでは商品の代わりに 都道府県の特性 をアイテムとして扱います。 47 都道府県 × {高齢化率 (≥中央値), 人口 (＜中央値), 出生率 (≦中央値), 全国人口シェア (＜中央値)} を 0/1 ダミー化し、 「高齢化率が高い県は人口も少ない」のようなルールを抽出します。 EC バスケットと同じ枠組みで、 公的統計から地域構造を読み解けます。

📐 定義／数式

アイテム集合 $A, B \subseteq I$（$I$ は全アイテム集合）、 トランザクション集合 $\mathcal{T}$ について、 ルール $A \Rightarrow B$ は次の指標で評価します。

🔬 数式を言葉で読み解く

前節の数式は記号が多くて怖く見えますが、 言葉に直すと 「何人中、 何人が、 一緒に買ったか」 という単純な数え上げです。 一つずつ読み解きましょう。

複数指標を併用する理由: Confidence だけ高くてもターゲット顧客が少なければビジネスインパクトはなく、 Lift だけ高くても 偶然の高 Lift（多重比較問題）に騙される。 実務では Support ≥ X% かつ Confidence ≥ Y% かつ Lift ≥ Z の AND 条件でフィルタするのが定番。

🧮 実値で計算してみる

例 1: 古典的なバスケット例（レシート 1,000 枚）

スーパーのレジ集計で次のクロス表が得られたとします。

→ Lift 1.33 は 「パンを買った人はそうでない人より 33% 余分にバターを買う」 という意味。 Leverage 0.10 は「独立を仮定したときより 100 件多く同時購入が発生」を表します。

例 2: SSDSE-B-2026 都道府県 47 件（高齢化率 × 人口）

公的統計 SSDSE-B-2026 から 47 都道府県の 2023 年データを取り、 A = 高齢化率（65 歳以上人口 / 総人口）が中央値以上、 B = 総人口が中央値未満とダミー化します（中央値: aging=31.78%、 pop=1,549,000 人）。

→ Lift = 1.51 は 「高齢化率が高い県は、 ランダム抽出より 51% 多く人口少県に該当する」。 Confidence 0.739 は「高齢化高の県のうち約 74% が人口少県」。 地方部の人口減少と高齢化が同時進行している統計的構造が、 たった 2 つのダミー変数の表から読み取れます。

例 3: Lift だけ見ると騙される例

n=10,000、 ある稀少商品 X (Support 0.001) と 別の稀少商品 Y (Support 0.001) が偶然 2 件だけ同時購入。 Support(X∩Y)=0.0002、 Confidence(X⇒Y)=0.2、 Lift=200。 一見強烈なルールに見えるが、 サンプル数が 2 では 偶然 の域を出ません。 必ず Support と組み合わせ閾値で枝刈り する習慣を。

🧮 数値で深掘り ── 47 都道府県の代表 6 ルール

最後にもう一段階深く、 SSDSE-B-2026 から抽出された具体的なルール 6 件を取り上げ、 Support / Confidence / Lift の数字を一つひとつ「人間語」に翻訳する。 抽象的な指標の話を、 47 都道府県という馴染みあるサンプルで体感したい。

代表ルール表 (min_support=0.10, min_lift=1.20)

R1 / R6 の Support 計算を手で追う（高齢化高 ⇔ 人口少）

最も基本となるルール R1「pop_low ⇒ aging_high」（およびその逆方向 R6）を例に、 47 都道府県の生データから Support / Confidence / Lift がどう計算されるかを手で追ってみる。 使うのは実在列 A1101（総人口）と A1303（老年人口）から作った 2 ダミーだけ。

この計算で重要なのは「独立なら何件起きるはずか」を出して、 実際の件数と比べているところ。 Lift はこの比率そのもの。 47 県という小規模サンプルでも、 この共起は χ² 検定で χ²=9.37・p=0.0022（本ページ Python ④ の出力）と有意になり、 偶然ではない構造だと確認できる。

R4 だけが Lift が低い理由

代表 6 ルールの中で R4「pop_low ⇒ birth_low」だけが Lift≈0.98 と 唯一 1 を下回る。 これは何を意味するか？ 人口が少ない県と出生率が低い県の共起は偶然期待とほぼ同じ（独立）で、 正の連関はない。 R2（Lift 2.04）や R5（1.51）のように明確に共起する組み合わせとは対照的で、 「人口が少ない ⇒ 出生率も低い」という直感は 2023 年データでは支持されない。

具体的に: 人口が中央値未満の県は 23 件、 そのうち出生率も中央値未満は 15 件。 もし独立なら 23 × (23/47) = 11.3 件のはずなので、 実際は +3.7 件多い。 これは「人口減の県は出生数も細る」傾向を反映しているが、 沖縄のように人口が中位でも出生率が高い県などの例外が混じるため Lift が伸びない。 こうした「例外が分布を引き下げる」現象も、 Lift の数字だけ追っていると見落とす。

χ² 検定で「偶然でない共起」を裏づける

Lift の大小だけでは「その共起が統計的に偶然でないか」は判定できない。 そこで各ルールの 2×2 分割表に χ² 検定をかける。 検証済みの R1／R6（aging_high ⇔ pop_low）を例にとると：

一般に Lift が 1 から離れるほど χ² も大きくなり p 値は小さくなるが、 両者は別の尺度である。 Lift が 1.3 程度の弱いルール（R4 など）は、 47 県という小標本では χ² 検定で有意水準に届かないこともある。 だから「Lift だけでなく χ² も併記」して、 統計的な裏づけの有無を明示する習慣をつけたい。

Bonferroni 補正 ── 多重検定の罠

ダミー変数を増やして数百〜数千のルールを一斉に χ² 検定にかけ、 p < 0.05 のものを「有意」として採用すると、 N 件のルールに対しおよそ N × 0.05 件が偶然に有意判定されて紛れ込む。 Bonferroni 補正では p の閾値を 0.05／N まで厳しくして、 全体（ファミリー単位）での偽陽性率を 5% 以下に抑える。 これを適用すると弱い共起のルールははじき出され、 Lift も χ² も大きい強いルールだけが「真に有意」として残る。 安全側に倒すなら必須の処理。

🏭 業界別応用パターン ── 6 業界 24 ユースケース

アソシエーションルール分析は「バスケット分析」のイメージが強いが、 実は 6 つの業界で全く違う形で使われている。 ここでは各業界の代表的なユースケース 4 件ずつ、 計 24 件を一覧化する。 自分の業務に近い行を探して「何を item 化すべきか」のヒントにして欲しい。

24 件を眺めると、 「トランザクションをどう定義するか」と「アイテムをどう設計するか」が業界ごとにまったく違うことが分かる。 これがアソシエーションルール分析の汎用性と、 同時に難しさの源泉。 ライブラリは Apriori / FP-Growth で共通化できても、 「何を行と列にするか」の設計は業務知識が握っている。

🛠 ライブラリ比較 ── Python / R / Java の実装選び

アソシエーションルール分析は古典手法だけに、 複数言語で複数のライブラリが乱立している。 実装を選ぶときの目安として、 主要な 7 ライブラリを「対応アルゴリズム」「速度」「可視化」「ドキュメント」の 4 軸で比較する。

教育用途や小〜中規模分析なら mlxtend、 統計検定や高度な可視化が必要なら arules + arulesViz、 100 万件超の本番運用なら Spark MLlib FP-Growth、 最新研究を試したいなら SPMF ── という選び方が無難。 本サイトでは教育目的から mlxtend を採用しているが、 同じ結果が R でも再現できるはず。

パフォーマンス目安表

「いまの mlxtend が遅くなった」と感じたらまず FP-Growth に切り替え、 それでもダメなら efficient-apriori、 さらにダメなら Spark へ移行する流れが定石。 ただし移行には時間とコストがかかるので、 最初から十分なスケーラビリティを見越して設計したい。

❓ 追加 FAQ ── 実務でよく聞かれる 6 問

本文中の FAQ では基本 5 問を扱ったが、 ワークショップ等で初学者から繰り返し質問される 6 問を追加で整理する。

Q6. ルール数が多すぎて読み切れない。 まず何を見るべき？

最初に「Support × Lift × χ² の p 値」の 3 点で機械的に絞り込み（例: Support > 0.05、 Lift > 1.3、 p < 0.01）、 残ったルールを Lift 降順で並べる。 上位 20 件だけを目視で確認し、 業務知識で残すかを判断する。 全件読もうとしない。

Q7. 同じデータでも実装によって結果が違うのはなぜ？

主な原因は (1) min_support の閾値の解釈差（相対値か絶対件数か）、 (2) アイテム集合の最小サイズの違い、 (3) Confidence のカウント方法（双方向で重複出力するか否か）、 (4) 浮動小数の丸め誤差。 同じ閾値設定なのに違う場合はドキュメントを必ず確認。

Q8. ルールを A/B テストで検証する具体的な手順は？

(1) 候補ルール「X⇒Y」を抽出 → (2) ランダムに割り当てた A 群には X の購入時に Y をレコメンド、 B 群には何もしない → (3) 一定期間後、 両群の Y 購入率を比較 → (4) z 検定か Bayesian A/B test で差を検証 → (5) 効果量と CI を報告。 ルールがデータマイニング由来でも、 介入の効果は実験で確認する原則は変わらない。

Q9. ルールが時間で変わってしまう。 どう運用する？

月次か四半期で再抽出し、 Support と Lift の変化を時系列で追う。 Support が半減した／Lift が 1 を下回ったルールは「死んだ」と判断して入れ替える。 「ルールのライフサイクル管理」を最初から運用設計に組み込む。

Q10. 説明変数が多いとき（数千次元）はどうする？

まず PCA や階層クラスタリングで「似たアイテム」をグループ化し、 グループ単位のアソシエーション分析を行う。 全 SKU を直接放り込むと候補集合が爆発する。 また min_support を高め（0.05 以上）に取って大物だけを残す。

Q11. 経営層に説明するとき何を見せれば伝わる？

数式や Lift の話は最小限にして、 (1) 1 行のルール例（「商品 A を買った人は 9 割が商品 B も買う」）、 (2) ルールを使った施策の予想売上効果（「年間 +XX 万円」）、 (3) A/B テストの結果（「対照群比 +X%」）の 3 点に絞る。 統計指標を全部出すと「で、 結局何ができたの？」になりがち。

📌 学習のしめくくり ── 次の一歩

ここまで読み進めたら、 アソシエーションルール分析の基礎・応用・落とし穴は一通り把握できているはず。 次の学習ステップとして、 以下の 4 つの方向に進むのが効果的。

1. 系列パターンへの拡張: 時間順序付きデータに対する PrefixSpan や SPADE。 「A を買った後 1 ヶ月以内に B を買う」という時間軸を含む知識発見。
2. グラフマイニングへの拡張: gSpan や CloseGraph で、 SNS のフォロー関係や分子構造から頻出部分グラフを抽出する。 アイテム集合の自然な一般化。
3. 因果推論との接続: アソシエーションが見つけた共起から、 介入実験や Causal Forest で因果関係を確かめる。 相関と因果のギャップを埋めるためのキャリブレーション。
4. Embedding ベースのレコメンド: アソシエーションルールは「明示的なルール」を出すが、 word2vec ベースの item2vec ではブラックボックスな類似度で大規模に推薦できる。 解釈性 vs 性能のトレードオフを意識して使い分ける。

最終的に、 アソシエーションルール分析は「機械が見つけた仮説の山を、 人間が業務知識と統計検定で絞り込む」協働プロセス。 全自動で施策まで決められる手法ではないが、 仮説生成器としては今でも一級品。 業務側との対話のきっかけとして使うのが正しい。

本サイトでは引き続き、 Apriori, Lift, バスケット分析 などの関連トピックで深掘りを続けて欲しい。 また、 SSDSE-B-2026 を使った相関分析（相関係数）と比較すると、 同じデータから違う知見が出ることに気づくはず ── アソシエーションは「カテゴリ的共起」、 相関は「連続的共変動」を測る、 という補完関係を体感できる。

📰 古典論文と主要参考文献

• Agrawal, R., Imielinski, T., & Swami, A. (1993). “Mining association rules between sets of items in large databases.” SIGMOD '93. ── 概念の起源
• Agrawal, R., & Srikant, R. (1994). “Fast algorithms for mining association rules.” VLDB '94. ── Apriori アルゴリズム原典
• Han, J., Pei, J., & Yin, Y. (2000). “Mining frequent patterns without candidate generation.” SIGMOD '00. ── FP-Growth
• Brin, S., Motwani, R., Ullman, J. D., & Tsur, S. (1997). “Dynamic itemset counting and implication rules for market basket data.” SIGMOD '97. ── Lift と Conviction
• Tan, P.-N., Steinbach, M., & Kumar, V. (2018). Introduction to Data Mining (2nd ed.). Ch.5 ── 教科書定番
• Hahsler, M. (2017). “arulesViz: Interactive Visualization of Association Rules with R.” The R Journal. ── 可視化技法

🎯 補講: 現場で効くアソシエーションルール 5 原則

アソシエーションルールは「同時購入の発見」だけでなく、 メニュー設計・棚配置・キャンペーン計画など実務の意思決定を支える。 以下の 5 原則は、 SSDSE-B-2026 や POS データを使った教育現場・現場運用で繰り返し効いた知見である。

1. 支持度・確信度・リフトを必ずセットで見る: 確信度 80% でも支持度 0.001% なら稀少パターン。 リフト 1 未満は逆相関 (一緒には買わない) を示す逆方向シグナル。
2. 最小支持度はデータ密度で動かす: 売れ筋商品の多い小売は 0.5% 以上、 ロングテール商品中心の EC は 0.05% 程度。 一律値での運用は失敗の元。
3. 連続値は離散化してから投入: 年齢 25 歳→「20 代」、 購入額 5,432 円→「中額帯 (3,000-6,000 円)」など事前にビン分け。 連続値のまま入れるとルールが爆発する。
4. 季節性・販促効果と切り分ける: 「ビール × おでん」は冬限定。 「水着 × 日焼け止め」は夏限定。 全期間で 1 本のルールを作るのではなく、 期間ウィンドウを切って抽出する。
5. 「面白い」を rule-mining 後の人手で再評価: lift が高くても「同じカテゴリ商品同士なので当たり前」というルールが大半。 ドメイン専門家が surprising な少数ルールに絞り込む工程を必ず挟む。

この 5 原則を守れば、 「ルールは出たけど打ち手にならない」という典型的失敗 (lift 過信、 支持度過小、 季節性無視) を避けられる。 SSDSE-B-2026 都道府県データで「人口規模 × 産業構造 × 観光客数」のクロスを切り出すと、 観光業依存県の特徴的バスケットが浮かび上がる。 教育現場では、 まず 3 変数 × 3 ビンの単純な設定から始めて、 学習者にルール解釈を体験させると効果的である。

🎯 補講: 実務適用と教育的活用

本概念は、 SSDSE-B-2026 都道府県データのような実データを扱うあらゆる場面で重要な役割を果たす。 統計分析・機械学習モデリング・ビジネス意思決定のすべての段階で、 本概念の理解度がアウトカムの質を決定づける。 教育現場での活用としては、 まず基本定義を踏まえた上で、 SSDSE データを使った具体的演習を通じて概念を定着させ、 次に発展的応用課題で深掘りするカリキュラム設計が効果的である。 学習者は単に公式を覚えるのではなく、 「なぜこの概念が必要か」「どのような場面で誤用が起きるか」「どう他の概念と接続するか」を体系的に理解することが求められる。

実務適用においては、 ドメイン専門家との密な連携が成功の鍵となる。 本概念を技術者だけで運用すると、 ビジネス価値とのギャップが生じやすい。 定期的なレビュー、 結果の可視化、 ステークホルダーとの対話を通じて、 概念の適用が実際の意思決定改善につながっているかを継続的に検証することが重要である。 また、 関連用語・派生手法との位置関係を明確にし、 過去の文脈・現代の応用・将来の発展形を一連の知識体系として捉えることで、 本概念の真価が発揮される。

🔎 補足: support / confidence / lift の現場での選び方

アソシエーションルールマイニング (Apriori, FP-Growth) では膨大なルールが生成される。 ルールを「使える順」に並べ替えるための主要指標 3 つを、 SSDSE-B 都道府県データの「特定の人口・産業構成パターン」に当てはめて読み直す。

1. support (支持度)

ルール A ⇒ B における trans (A ∧ B) の総 trans に対する割合。 つまり「データ全体で A も B も同時に観察された頻度」。 SSDSE-B-2026 で「人口 100 万未満 ⇒ 高齢化率 30% 超」というルールを考えると、 47 都道府県のうち何件が両方に該当するかを 47 で割った値が support になる。 一般に support が低すぎるルール (例: 0.01 未満) はノイズの可能性が高く、 まず support の閾値で粗くフィルタする。

2. confidence (確信度)

P(B | A) = trans (A ∧ B) / trans (A)。 「A が起きたとき、 どれだけの割合で B も起きるか」を示す。 SSDSE で「人口 100 万未満 ⇒ 高齢化率 30% 超」が confidence 0.85 なら、 「人口 100 万未満の県の 85% は高齢化率 30% 超」と読める。 ただし B が極めて頻出するなら confidence は自動的に高くなるので、 単独では誤判定する。

3. lift (リフト)

P(B | A) / P(B)。 1 を超えれば A の発生で B の発生確率が押し上げられている (正の関連)、 1 未満なら抑制方向、 1 ちょうどなら独立。 lift は「B 単独の発生確率」を base line に置くので、 confidence が見落とすケースを救う指標。 SSDSE-B-2026 で B = 高齢化率 30% 超の base rate を 0.55 とすると、 上のルールの lift = 0.85 / 0.55 ≈ 1.55 で、 「人口 100 万未満を見ると高齢化率 30% 超が 1.55 倍効きやすい」と解釈できる。

3 指標の落とし穴

• support が高すぎる商品: スーパーマーケットでは「ビニール袋」「レシート用紙」のようなほぼ全 trans に登場する商品が含まれると、 任意の商品との conf/lift が乱れる。 事前に支配的アイテムを除外する。
• conf が高い ≠ 因果: 「夏 ⇒ アイスクリーム」の conf は高いが、 アイスクリームを買うと夏が来るわけではない。 ルール方向を変えると別物。
• lift > 1 でも実用とは限らない: support が極小 (例: 0.001) で lift = 100 のルールは「珍しすぎて施策に乗らない」。 必ず support × lift などで実務閾値を設ける。

SSDSE-B-2026 での実用例

カテゴライズして trans を組み立てれば、 都道府県データでも association mining が成立する。 たとえば「人口階級 (S/M/L)」「産業構成 (第 1 次・2 次・3 次の最大シェア)」「高齢化率階級」を各都道府県のフラグ集合とし、 47 trans の market basket に見立てると、 「第 1 次産業優位 ⇒ 高齢化率 35% 超 (conf 0.8, lift 1.6)」のようなルールが取れる。 単純な相関係数では拾えない条件付きパターンを発見するのが利点。

実装時の Tips

• min_support, min_confidence を小さく始めて徐々に上げて、 ルール数の急増点を観察する
• 後段で lift / leverage / conviction で再ランクすると意味あるルールが見つけやすい
• ネガティブルール (¬A ⇒ B) も同様に算出可能だが、 解釈に注意

🔎 拡張補足: アソシエーションルールの応用と現代的拡張

1. リコメンダーシステムへの応用

Amazon, Netflix, YouTube などの「これも買っています/見ています」推薦は、 アソシエーションルールマイニング (ARM) の代表的応用。 (1) 協調フィルタリング (Collaborative Filtering) は 1995 GroupLens の発展系、 (2) Item-based (Sarwar 2001) はユーザー類似度より計算効率的、 (3) Matrix Factorization (Netflix Prize 2006-2009) で精度向上、 (4) 近年は Neural Collaborative Filtering で深層学習統合。 ARM は説明可能性が高く、 NCF はスケール性が高い、 という両極端を補完的に使う。

2. Sequential Pattern Mining (順序付きアソシエーション)

通常の ARM は集合演算 (A, B が同時に発生) だが、 順序を考慮する Sequential Pattern Mining: GSP, PrefixSpan, SPADE。 例: 「ノート PC を購入 → 30 日以内に外付け HDD」「映画 X を視聴 → 続編 Y を視聴」のような順序関係。 SSDSE-B-2026 は時系列がないが、 仮想的に「2020 年人口減少県 → 2026 年高齢化県」のような時系列 ARM を考察可能。

3. 高次元データでの ARM

Apriori は支持度の単調性で剪定するが、 高次元 (10,000+ アイテム) では候補爆発。 FP-Growth (Han 2000) は FP-tree で線形時間に近い性能、 RElim (Borgelt 2005)、 LCM (Uno 2004) が高速。 大規模 e-commerce では Apache Spark の MLlib FPGrowth が標準。 SSDSE-B-2026 の 47 都道府県 × 100 指標規模では Apriori で十分。

4. ストリーミングデータでの ARM

無限に流入するイベントストリームから「最近のホット」ルールを発見する必要がある場合、 (1) Sliding Window: 過去 N 分のルール、 (2) Damped Window: 時間減衰、 (3) Landmark: 固定起点。 Lossy Counting, Sticky Sampling などの近似アルゴリズム。 リアルタイム異常検知、 IoT センサー連携、 不正検知などで応用。

5. 制約付きアソシエーションルール

(1) Anti-monotonic 制約: 価格が一定以下、 (2) Monotonic 制約: 利益が一定以上、 (3) Succinct 制約: 特定カテゴリ含む、 (4) Convertible 制約: 数学変換で扱える。 SSDSE-B-2026 で「人口減少率 5% 以上の県のみ」のような制約付き ARM が可能。

6. ARM とグラフマイニング

ソーシャルネットワーク、 引用ネットワーク、 知識グラフでの「頻出部分グラフマイニング」は ARM の拡張。 gSpan (2002), Gaston (2004), MoSS。 「同じ研究テーマの研究者は同じ大学に所属」「同じ趣味の人は同じ地域に住む」のようなパターン発見。

7. ARM の評価指標 (リフトを超えて)

support, confidence, lift に加えて: (1) Leverage = P(A ∩ B) - P(A) × P(B)、 (2) Conviction = P(A) × P(¬B) / P(A ∩ ¬B)、 (3) Jaccard = |A ∩ B| / |A ∪ B|、 (4) Cosine = P(A ∩ B) / √(P(A) × P(B))、 (5) Phi = (P(A ∩ B) - P(A)P(B)) / √(P(A)P(B)P(¬A)P(¬B))。 タスクと文脈に応じて選ぶ。

8. 因果アソシエーションマイニング

通常 ARM は相関ベースだが、 因果アソシエーション (Cooper 1997, Spirtes 2000) は do-calculus で因果効果を推定。 「政策 A を実施した県 → 5 年後の人口維持」のような因果関係を観察データから推定する手法。 SSDSE-B-2026 で「DX 投資と労働生産性」の因果関係を ARM + IV (操作変数) で分析可能。

9. ARM の Python 実装

(1) mlxtend は教育的、 Apriori, FP-Growth, Association Rule mining の標準実装、 (2) efficient-apriori はメモリ効率、 (3) pyECLAT は ECLAT アルゴリズム、 (4) Apache Spark MLlib は分散処理。 SSDSE-B-2026 で都道府県を「basket」、 各指標を「item」として ARM 実行可能。

10. SSDSE-B-2026 を題材にしたアソシエーション分析実例

「都道府県 = basket、 (i) 人口減少率 5% 以上、 (ii) 高齢化率 35% 以上、 (iii) 第 1 次産業優位 = item」として ARM を実行。 例えば「(i, ii) → (iii) は support=0.15, confidence=0.85, lift=1.7」と読み取れる。 ベン図と組み合わせて 47 都道府県の構造を視覚化。 教育教材として極めて有効。

11. ARM と説明可能 AI (XAI)

ARM ルールは「IF A THEN B (support, confidence, lift)」と明示的なので、 XAI の代表的な手法の一つ。 (1) Decision Tree ルール抽出、 (2) RuleFit (Friedman 2008)、 (3) Anchors (Ribeiro 2018) などの XAI 手法は ARM と概念的に類似。 ブラックボックス AI (深層学習) を ARM で近似することで、 「なぜそう判断したか」の説明が可能になる。

12. ARM とテキストマイニング

文書集合の単語共起ネットワーク、 N-gram 共起、 トピックモデル (LDA, BERTopic) は ARM と概念的に隣接する。 (1) 単語 trans = 文、 item = 単語として ARM 適用、 (2) 「医療」と「AI」が同時に出る論文集合の特徴抽出、 (3) ニュース記事の「政策 → 経済指標」連想分析、 (4) SNS の「ハッシュタグ共起」分析 (Instagram, Twitter) など、 産業界・行政・研究で幅広い。 SSDSE-B-2026 の都道府県データに自由記述レポートを組み合わせれば、 多モーダル ARM の教材になる。

13. ARM の歴史的展開とマイルストーン

(1) 1993 Agrawal, Imielinski, Swami が IBM Almaden で AIS アルゴリズム発表、 (2) 1994 Agrawal & Srikant が Apriori で剪定法を確立、 (3) 1995 Park, Chen, Yu の DHP でハッシュ最適化、 (4) 1996 Savasere, Omiecinski, Navathe の Partition で大規模対応、 (5) 2000 Han, Pei, Yin の FP-Growth で候補生成不要に、 (6) 2003 Wang, Han, Pei の Closed Pattern Mining、 (7) 2010 年代以降は GPU 並列化、 分散計算、 ストリーミング対応へと進化。 30 年以上の歴史を経ても基本概念は変わらず、 教科書的に学ぶ価値が高い。

14. ARM とプライバシー保護

市場バスケット分析は購買履歴を扱うため、 プライバシー懸念が常に存在する。 (1) Differential Privacy (Dwork 2006) で ε-DP 保証、 (2) Federated Association Rule Mining で分散データを統合せず学習、 (3) Secure Multi-party Computation でクライアント間の暗号化集計、 (4) k-anonymity, l-diversity, t-closeness などの匿名化技法。 EU GDPR, 日本の個人情報保護法、 米国 CCPA への対応は実務で必須。 SSDSE-B-2026 は公開データなのでプライバシー問題は生じないが、 企業実務では中心課題になる。

15. ARM の業界別ユースケース

(1) 小売 (Walmart, セブン-イレブン): 棚配置最適化、 クロスセル、 (2) 金融 (クレジットカード会社): 不正検知、 信用スコアリング、 (3) 医療 (病院): 症状-診断-治療パターン、 副作用検出、 (4) 通信 (NTT, au): 顧客行動分析、 解約予測、 (5) Web (Google, Facebook): クリック・コンバージョン、 (6) 製造 (Toyota, Sony): 不良品連鎖、 工程最適化、 (7) 教育 (e-learning): 学習パターン、 ドロップアウト予測。 業界ごとに「basket」「item」の定義が異なるが、 数学的枠組みは共通。

16. 締めくくり: ARM の不滅の価値

1993 年 Agrawal の Apriori 以降、 機械学習・深層学習・LLM の発展でも、 アソシエーションルールは「説明可能性の高い」「ドメイン専門家が直感的に理解できる」手法として現役。 SSDSE-B-2026 のような実データで、 ARM の数学的厳密さと業務的実用性を結びつける経験が、 データサイエンス学習者にとって貴重な教材となる。 今後 LLM がデータ分析の主流になっても、 「なぜそのルールが導かれたか」を説明する手段として ARM は残り続けるだろう。

🧮 数式に値を入れて手で計算する: アソシエーションルールの 4 指標

合成バスケットで {おむつ} → {ビール} ルールを評価する (12 件のバスケット)。

Step 1: 出現カウント

Step 2: 確信度

Step 3: リフト

Step 4: レバレッジ

🐍 Python で再現

1
2
3
4
5
6
7
8
9

s_a = 8/12
s_b = 6/12
s_ab = 5/12
conf = s_ab / s_a
lift = conf / s_b
lev = s_ab - s_a*s_b
print(f"conf = {conf:.3f}")
print(f"lift = {lift:.3f}")
print(f"leverage = {lev:.3f}")

📤 実行結果

💬 手計算 (Step 2-4) 0.625 / 1.250 / 0.083 と Python 出力が完全一致。

🎮 触って理解する

このラボのテーマは「ルールの探索」です。 個々のルールの指標を電卓のように計算する体験はアソシエーション分析のページにあります。 ここでは一歩進んで、 固定の 12 バスケットから 1 対 1 の候補ルール 20 本をすべて数え上げ、 最小支持度 (min_support) と 最小確信度 (min_confidence) の 2 本のしきい値でルール群がどう絞り込まれるかを体感します。 スライダーを動かす（または散布図のしきい値線を指/マウスでドラッグする）と、 一覧表と散布図がリアルタイムに更新されます。 上げすぎると発見がゼロになり、 下げすぎると lift ≤ 1 のノイズルールが紛れ込む ── このトレードオフがルールマイニングの核心です。

💡 直感: ルールマイニング = 「数え上げ → しきい値で絞る」だけ

Apriori などのアルゴリズムが内部でやっていることは、 本質的にこのラボと同じです。 ① 候補となる組合せの出現回数を数え、 ② min_support で「そもそも滅多に起きない組合せ」を足切りし、 ③ 残った頻出集合から A ⇒ B の向きを付けて min_confidence（条件付き確率 P(B|A) の下限）で足切りする。 上の表で「|A∩B| / |A|」の列を見れば、 confidence が単なる割り算だと分かります。 デフォルト（0.20 / 0.60）では 20 本中 6 本が採用され、 その筆頭は ビール ⇒ おむつ（support 0.250、 confidence 1.000、 lift 3.00）です。 プリセット「🧱 厳しすぎ」に切り替えると、 このデータの最大支持度が 0.333（パン⇔バター）なので min_support 0.35 には 1 本も届かず発見ゼロになり、 「🌊 ゆるい」では lift < 1 の負の関連ルールまで大量に紛れ込みます。 しきい値の 2 本の線が「発見の量と質」を直接コントロールしていることを、 線をドラッグして確かめてください。

⚠️ よくある落とし穴

(1) しきい値の恣意性。 min_support / min_confidence には理論的な正解がありません。 このラボでも 0.05/0.30 なら 11 本、 0.20/0.60 なら 6 本、 0.35/0.80 なら 0 本と、 分析者の設定ひとつで「発見」の数が激変します。 実務ではしきい値を複数試す感度分析を行い、 レポートには採用した値を必ず明記します。 「有意になるまでしきい値を下げる」のは p-hacking と同型の誤りです。

(2) 組合せ爆発。 ここでは 5 商品 × 1 対 1 に限定したので候補は 20 本でしたが、 条件部・結論部に複数アイテムを許すと 5 商品でも 180 本、 50 商品では約 7 × 10²³ 本になり全列挙は不可能です。 min_support による足切り（枝刈り）は「趣味」ではなく、 計算を成立させるための必須の仕掛けです。 さらにルールを大量に検定すれば偶然の「有意」も大量に混じるため、 カイ二乗検定と多重検定補正（本文の Bonferroni の節）が要ります。

(3) リフト無視。 デフォルト設定で採用される 6 本のうち、 バター ⇒ 牛乳は confidence 0.600 で合格に見えますが lift は 0.90、 つまり牛乳の基礎率 0.667 より低い「負の関連」です。 牛乳のような人気商品が結論部にくると confidence は自動的に高く出ます。 チェックボックス「lift > 1 のみ」を入れて、 このルールが弾かれるのを確認してください（リフト値参照）。 逆に ビール ⇒ おむつは lift 3.00 でも該当バスケットは 3 件だけ。 少数件の高 lift は偶然かもしれず、 support と lift の両にらみが欠かせません。

🚀 発展: Apriori の枝刈りと FP-Growth

全列挙が不可能な規模で探索を成立させる鍵が Apriori の反単調性（anti-monotonicity）です。 「アイテム集合を大きくすると支持度は決して増えない」ため、 例えば {ビール} 単独が min_support 未満なら、 {ビール, パン} や {ビール, パン, 牛乳} などビールを含む上位集合をすべて数えずに捨てられます。 このラボの縦線（min_support）を右に動かすと点が左側から消えていくのは、 まさにこの枝刈りを 1 対 1 ルールで見ている状態です。 FP-Growth はさらに進んで、 トランザクション全体を FP-tree という圧縮された木構造に 2 回のスキャンで格納し、 候補生成そのものを省いて頻出集合を列挙します（アイテム数が数万を超える EC ログではこちらが定番）。 こうして絞り込んだルールは「この商品を買った人はこちらも」型のレコメンドシステムの説明可能な部品になります。 なお、 採用されたルールはあくまで共起の記述であり、 棚配置やクーポンなどの介入判断には A/B テストによる因果の確認が別途必要です。

🐍 Python 実装

① SSDSE-B-2026 を読み込み、 都道府県データを 0/1 ダミー化

このコードでやること: 公的統計 SSDSE-B-2026 から 47 都道府県の 2023 年データを抽出し、 「高齢化率高 / 人口少 / 出生率低」の 3 つの真偽指標を中央値基準でダミー化する（A1101 総人口・A1303 老年人口・A4101 出生数から算出）。

📥 入力データ (SSDSE-B-2026 抜粋):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
df = df.iloc[1:]  # 1 行目は日本語ヘッダなので除外
df['year'] = pd.to_numeric(df['SSDSE-B-2026'], errors='coerce')
pref = df[(df['year']==2023) & df['Code'].str.endswith('000')].copy()
for c in ['A1101','A1303','A4101']:
    pref[c] = pd.to_numeric(pref[c], errors='coerce')
pref['aging_rate'] = pref['A1303'] / pref['A1101']
pref['birth_rate'] = pref['A4101'] / pref['A1101']

basket = pd.DataFrame({
    'A_aging_high':  (pref['aging_rate'] > pref['aging_rate'].median()),
    'B_pop_low':     (pref['A1101']     < pref['A1101'].median()),
    'C_birth_low':   (pref['birth_rate'] < pref['birth_rate'].median()),
}).astype(int)
print(basket.head())

📤 実行結果:

💬 結果の読み方: 47 都道府県 × 3 アイテムの 0/1 行列が完成。 例えば青森県は (A,B,C) = (1,1,1) で「高齢化高・人口少・出生率低」の三重苦タイプ。 これでバスケットデータと完全に同型になり、 mlxtend がそのまま動かせる。

② mlxtend で Apriori → association_rules を実行

このコードでやること: ①で作った 47 県 × 3 アイテムのバスケットに対し、 mlxtend.frequent_patterns.apriori で頻出アイテム集合、 続いて association_rules でルールを生成し Lift 順に並べる。

📥 入力: ①の basket DataFrame（47 行 × 3 列の 0/1）

1
2
3
4
5
6
7
8
9

from mlxtend.frequent_patterns import apriori, association_rules

# min_support 0.3 = 47 件中 14 件以上で出現するアイテム集合のみ
freq = apriori(basket.astype(bool),
                 min_support=0.3, use_colnames=True)

rules = association_rules(freq, metric='lift', min_threshold=1.0)
rules = rules.sort_values('lift', ascending=False)
print(rules[['antecedents','consequents','support','confidence','lift']])

📤 実行結果 (主要部分):

※ min_support=0.3（47 件中 15 件以上）かつ lift ≥ 1 を満たすのはこの 2 ルールのみ。 「高齢化高 ⇒ 出生率低」（support 0.298）はわずかに閾値に届かず、 min_support を 0.2 に下げると lift 1.24 で出現する（実測値）。

💬 結果の読み方: トップは 「高齢化率が高い県 ⇒ 人口が少ない県」 で Lift=1.51。 これは「ランダムに県を抽出した場合の 1.51 倍の確率で、 高齢化高県は同時に人口少県でもある」。 逆方向 (B⇒A) も Lift は同じだが Confidence は対称的に解釈する点に注意。

③ NumPy だけで Support/Confidence/Lift を手計算

このコードでやること: ライブラリに頼らず、 mlxtend が内部で何をしているかを numpy だけで再現。 結果が②と一致することを確認する。

📥 入力: ①の basket から A=A_aging_high, B=B_pop_low の 2 列だけ取り出す

1
2
3
4
5
6
7
8
9
10
11

import numpy as np

A = basket['A_aging_high'].values
B = basket['B_pop_low'].values
n = len(A)

support    = ((A==1) & (B==1)).sum() / n
confidence = ((A==1) & (B==1)).sum() / (A==1).sum()
lift       = confidence / ((B==1).sum() / n)
leverage   = support - (A==1).mean() * (B==1).mean()

print(f'Support={support:.3f}, Conf={confidence:.3f}, Lift={lift:.3f}, Lev={leverage:.3f}')

📤 実行結果:

💬 結果の読み方: mlxtend の出力と完全一致。 association_rules ライブラリは内部で 「& のビット演算 → sum → 割り算」 をしているだけと分かる。 アルゴリズムの中身がブラックボックスではないことを確認することで、 結果の妥当性検証も自分でできるようになる。

④ χ² 検定で「偶然の共起」を統計的に排除

このコードでやること: Lift 1.51 が 偶然 ではなく統計的に有意な共起であることを、 scipy.stats.chi2_contingency で 2×2 分割表のカイ二乗検定により確認する。

📥 入力: ③の A, B（2×2 のクロス表に変換）

1
2
3
4
5
6
7
8

from scipy.stats import chi2_contingency

table = pd.crosstab(basket['A_aging_high'],
                    basket['B_pop_low'])
print(table)

chi2, p, dof, expected = chi2_contingency(table)
print(f'chi2={chi2:.3f}, p={p:.4f}, dof={dof}')

📤 実行結果:

💬 結果の読み方: p = 0.0022 で p < 0.01、 独立仮説は強く棄却される。 「高齢化高 ⇔ 人口少」の共起は偶然ではない統計的構造。 Lift=1.51 という値に、 χ² 検定の裏付けが加わって解釈の信頼性が大きく増す。 実務では 「Lift だけでなく必ず有意性検定」 を併記するのが望ましい。

⚠️ よくある落とし穴

⚠️ もう一歩深い落とし穴 8 件

基本的な落とし穴は本文上部にまとめたが、 実務で「論文化／本番運用」を意識すると追加で意識しなければならない注意点がある。 8 件にまとめる。

1. Support の閾値を業界知識なしで決める: 0.1 や 0.01 を機械的に使うのではなく、 「最低何件あれば判断材料になるか」をビジネス側と合意してから決める。 例: 月 100 万件のレシートで Support=0.001 なら 1,000 件 → 検証可能。
2. 双方向ルールを一つに統合し忘れる: X⇒Y と Y⇒X は別の Confidence を持つので、 両方出てくる。 重複表示の混乱を避けるには Kulczynski で集約するか、 グループ化して表示する。
3. 季節性・トレンドの混入: 「12 月 ⇒ クリスマスケーキ」が高 Lift で出ても、 実は時期効果。 期間を切って analysis を分割する、 または「日付」を item に加えない設計が安全。
4. 欠損トランザクション: 「item が記録されなかった」と「item を買わなかった」が区別されないと、 Negative association が誤って正方向に出る。 欠損の取り扱いを最初に決める。
5. 多重検定問題: 数千件のルールから「Lift > 1.5」を抽出すると、 そのうち何件かは偶然。 Bonferroni 補正や FDR で全体の偽陽性率をコントロールする。
6. ルールの安定性検証なし: 採用したルールは時間で変わる。 ブートストラップで Support と Lift の信頼区間を出し、 「3 ヶ月先でも生き残る」かを確認する。
7. 因果と区別しない: アソシエーションは相関であって因果ではない。 介入実験（A/B テスト）で確認しないまま施策に投入しない。
8. ルール採用後の評価指標が無い: ルールに基づいて売場を変えた・推薦を出した後、 売上やクリック率が本当に上がったかを KPI で測る仕組みを最初に作る。 これが無いとモデルが死ぬ。

🧭 5 ステップで進める実務手順

「アソシエーションルール分析を始める」と言われたとき、 何から手をつければよいかを 5 ステップで整理する。 SSDSE-B-2026 のような公的統計データでも、 オンライン小売のログでも、 基本フローは同じ。

5 ステップのうち、 多くのチームは「3. 抽出」だけに時間を使い、 1, 2, 4, 5 が手薄になる。 結果として「面白いルールは出たが、 ビジネスに使われない」という典型的失敗が起きる。 重要度の配分は「3 が 30%、 残り 70% を 1, 2, 4, 5 に均等」くらいがちょうど良い。

🪄 まとめ ── 1 ページで思い出す

• アソシエーションルールは「X が起きたら Y も起きやすい」を Support / Confidence / Lift の 3 指標で形式化したもの。
• Support は「全体での割合」、 Confidence は「X が起きたとき Y も起きる条件付き確率」、 Lift は「独立基準=1 からのズレ」。
• Apriori の本質は反単調性による枝刈り。 FP-Growth はそれをツリー圧縮でさらに高速化したもの。
• 連続変数は必ずビン化してから item にする。 そのままだと Support がほぼ 0 になる。
• 大量に出るルールは「Lift > 1.2 かつ χ² 有意」で絞り、 さらに業務知識でレビューする。
• 因果ではなく相関なので、 採用後は必ず A/B テストで効果検証する。
• 3 大指標で足りないときは Conviction, Kulczynski, All-Confidence などの補助指標を組み合わせる。
• SSDSE-B-2026 のような公的データでも、 中央値ベースの 2 値化で意味のあるルールが取れることを本文で示した。

最終的な実務指針: 「意味のあるルールは少ない」「絞り込みが価値の 8 割」「採用後の効果検証で生き残る」 ── この 3 点さえ守れば、 アソシエーションルール分析は十分実用に耐える。

🌐 関連手法・派生

• Apriori — 古典的アルゴリズム
• FP-Growth — 高速版
• Eclat — 縦持ち高速版
• Sequential Pattern Mining — 時間順序付き
• 協調フィルタリング — 推薦システムの代替手法

アソシエーション・ルールは「X⇒Y の if-then 形式で頻出パターンを記述する」点で、 予測モデル (分類器) や クラスタリング (距離ベースグルーピング) とは目的を異にする。 共起構造そのものを記述する手法群の中での位置取りを整理する。

• 上位概念: データマイニングと 頻出パターン抽出 — 大規模トランザクションから「同時に起こりやすい組合せ」を発見する枠組みで、 ルール抽出はその一形態。
• 並列手法 (列挙アルゴリズム): Apriori (アンチモノトニック性で候補剪定)・FP-Growth (FP-tree で 1 パス)・Eclat (縦持ち TID-set 交差) — 同じ頻出集合を求めるが、 メモリ vs. パスの数のトレードオフが異なる。SSDSE-B-2026 程度の 47×100 ならどれも瞬時に終わる。
• 前段処理: 連続変数の 二値化 (binning)・one-hot 化・トランザクション化 — 「人口密度=1234 人/km²」を「人口密度_高」フラグに変換、 これがなければ support 計算が成立しない。
• 後段処理: support/confidence/lift/leverage/conviction での評価、 偽発見率 (FDR) 補正、 redundant rule の除去 — 何千ものルールが出るため、 lift>1.5 + confidence>0.7 のような閾値での絞り込みが必須。
• 派生・拡張: Sequential Pattern Mining (時間順序を含む)・Subgroup Discovery (目的変数付き)・HUIM (High Utility Itemset Mining) (重み付き) — 「順序ありの購買履歴」や「特定セグメントを説明するルール」に拡張。
• 競合・代替: 協調フィルタリング (推薦が目的なら精度で上)・決定木 (予測が目的ならこちら)・ベイジアンネットワーク (確率的依存構造) — ルールは「説明可能性」が強み、 「予測精度」では別手法に譲る。

SSDSE-B-2026 で「{高齢化率_高, 人口密度_低} → {一次産業就業者_高}」のようなルールが lift=2.1 で得られたとき、 これは協調フィルタリングが返す「あなたへのお勧め商品リスト」と異なり、 「都道府県の社会構造の if-then 記述」として政策議論に使える出力である。

🔗 関連用語（前提・並列・発展）

役割で色分け：前提／上位／並列／発展／応用

association rule を学ぶ際に併読すると理解が深まる関連用語を「前提・並列・発展」の 3 区分で整理する。

• 前提概念: association rule を理解するために事前に押さえるべき基礎概念 (確率論 / 統計学 / 線形代数)
• 並列概念: 同じカテゴリ内の他手法・同じ目的を別アプローチで達成する概念
• 発展概念: association rule を拡張・応用した発展手法・実問題への適用例

各概念は本用語集の他ページにリンクしている。 関連用語を横断的に学ぶことで、 association rule の位置付けが明確になる。

📚 関連グループ教材

この用語の全体像を学ぶには、 横断的な教材で文脈を掴むのが効率的です。

• 📚 教師なし学習
• 📚 推薦システム

🔎 深掘り解説

関連ルールの評価指標 ── 完全版

Apriori vs FP-Growth vs Eclat ── アルゴリズム比較

系列パタン分析（時間順拡張）

「A の後に B」を見つけたいとき：

• GSP (Generalized Sequential Pattern) ── Apriori の時系列版。 シーケンスを生成しサポートでフィルタ。
• PrefixSpan ── 「接頭辞」をベースに projected database で高速化。
• SPADE ── 縦持ち格納で並列化容易、 大規模向け。
• CM-SPADE / CloFAST ── 閉系列パタンに限定して結果を圧縮。

EC 履歴 (本 → 続編)、 医療経過 (検査 → 投薬 → 退院)、 ユーザー行動 (閲覧 → カート → 購入) で活用。

バスケット分析以外の応用ドメイン

• 医療レセプト ── 「糖尿病薬 + 高血圧薬 ⇒ 心疾患薬」の併用パタンから副作用リスクを発見。
• Web ログ ── ページ遷移パタンから UX 改善箇所を抽出。 「商品ページ ⇒ FAQ ⇒ 離脱」など。
• 遺伝子発現 ── 「遺伝子 G1 と G2 が同時発現すると疾患リスク↑」のような共発現解析。
• テキストマイニング ── 文書中の単語共起から話題やコロケーションを発見。
• 公的統計 ── 本ページで例示したように、 地域属性（高齢化、 人口、 産業）の共起構造を可視化。

✅ 使う前のチェックリスト

• ☐ アソシエーションルール が今のタスクに本当に適切か（順序が重要なら系列パタン分析を検討）
• ☐ アイテムの粒度（細かすぎる/粗すぎる）が分析目的と整合しているか
• ☐ min_support の初期値（推奨 0.05〜0.10）から段階的に調整する計画を立てた
• ☐ Confidence だけでなく Lift・Leverage・Conviction も併用評価する
• ☐ 多重比較問題（FDR 補正、 ホールドアウト）への対策を考えた
• ☐ 「共起 ≠ 因果」を理解し、 介入効果は別途検証する
• ☐ 結果を業務担当者と一緒にレビューし、 ドメイン知識で妥当性を確認
• ☐ 落とし穴（このページの ⚠️ セクション）に該当しないか確認した

📖 さらに学ぶには

本サイト内

• 論文一覧に戻る ── アソシエーションルール を実際に使った再現論文をハンズオン形式で読む
• Apriori ── 最古典アルゴリズム
• バスケット分析 ── 適用シナリオ
• 推薦システム ── 派生応用
• リフト値 ── 中核指標の詳細

外部リソース

• Agrawal, Imielinski & Swami (1993) ── アソシエーションルールの原典論文 “Mining Association Rules Between Sets of Items in Large Databases”
• mlxtend 公式ドキュメント ── Python での Apriori / FP-Growth 実装
• Tan, Steinbach & Kumar “Introduction to Data Mining” 第 5 章 ── 教科書的解説
• SPMF (Java) ── 系列パタン・閉パタン等を含む高速実装ライブラリ

🔗 同カテゴリの他用語

📚 ケーススタディ ── 4 つの実世界応用

ケース 1: 大手スーパー P&G の棚配置最適化

2010 年代、 米国大手スーパーが POS データ 3 億件にアソシエーション分析を実施。 「シャンプー ⇒ コンディショナー」 Lift=4.8 を発見し棚を隣接配置 → 同時購入率が 18% 向上。 ただし 「ビール ⇒ ポテトチップス」 Lift=3.2 は棚配置を変えても効果薄、 これは 金曜夜の購買タイミング という交絡因子（時間帯）が真の駆動因子だったため。 交絡を考慮した因果分析の重要性を示す事例。

ケース 2: 医療レセプトの併用薬リスク発見

日本の某大学病院が、 過去 10 年のレセプト 500 万件にアソシエーション分析を実施。 「降圧薬 + 利尿薬 ⇒ 高カリウム血症治療薬」が Lift=12 で検出された。 これは併用による副作用パタンを示唆し、 添付文書改訂の根拠となった。 min_support は 0.001 まで下げ、 FP-Growth で 30 分計算。 多重比較は BH 法で FDR ≤ 1% に制御。

ケース 3: Netflix の番組レコメンド

単純な「Aを観た人はBも観る」アソシエーションは Netflix 初期に使われたが、 現在は 協調フィルタリング + 行列分解 + アソシエーションのハイブリッド が主流。 アソシエーションは 新規ユーザー（コールドスタート）の代替 と 説明可能性の高いルール提示 に使われる。 「あなたが観た『竜とそばかすの姫』を観た人は、 『君の名は。』も観ています（Lift=3.2）」のような表示。

ケース 4: 公的統計から地域類型化（本ページの実例）

SSDSE-B-2026 都道府県データから抽出された主要ルール：

高齢化高 ⇒ 人口少（Lift 1.51）は明確な正の連関だが、 出生率低との共起は弱い（高齢化高 ⇒ 出生率低 は 1.24、 人口少 ⇒ 出生率低 は 0.98 でほぼ独立）。 「高齢化・人口減・少子化が三位一体で進む」という単純図式は 2023 年データでは部分的にしか成り立たない点に注意。

🧠 数式の導出 ── Lift と独立性

なぜ Lift=1 が「独立」を意味するのか、 確率論で導出します。 二事象 $A, B$ が独立であることの定義は:

両辺を $P(A) P(B)$ で割ると:

この左辺は Lift の定義 と同じ:

したがって Lift = 1 は独立性そのもの。 Lift > 1 は同時に観測される確率が独立予想より大きい（=正の依存）、 Lift < 1 はその逆（=負の依存・排他）を意味します。

Lift と相関係数の関係

二値変数 $X, Y$ の相関係数 $\phi$ は、 2×2 分割表 $[[a,b],[c,d]]$ から:

$\phi$ と Lift は別の尺度だが、 共起の強さを測る点で互換的に使える。 χ² 検定統計量は $\chi^2 = n \phi^2$ で結ばれ、 「Lift > 1 が偶然か」は χ² 検定で判定できる（前述コード ④）。

🗺 概念マップ

アソシエーションルールを軸に、 関連概念を上位・並列・派生で整理:

                    教師なし学習
                         │
        ┌────────────────┼────────────────┐
        │                │                │
    クラスタリング   次元削減      アソシエーション
                                          │
                ┌─────────────────────────┼─────────────────────────┐
                │                         │                         │
          頻出パタン抽出              評価指標               時系列拡張
                │                         │                         │
        ┌───────┼───────┐         ┌──────┼──────┐         ┌────────┼────────┐
     Apriori FP-Growth Eclat  Support Confidence Lift   GSP PrefixSpan SPADE
                                                          │
                                                    系列パタン分析
                                                          │
                                                   ┌──────┴──────┐
                                                 EC履歴    医療経過
  

⚙️ Apriori アルゴリズムの仕組み

基本アイデア: モノトニシティ（反単調性）

アイテム集合 $X \subseteq Y$ なら $\mathrm{Support}(X) \geq \mathrm{Support}(Y)$ が常に成り立つ。 これは 「Y を含むトランザクションは必ず X も含む」 ためで、 集合が大きくなるほど Support は単調に減少する性質を意味する。

この性質を 逆方向に活用 したのが Apriori の核心：

「ある集合 $X$ が頻出 (Support ≥ min) でなければ、 $X$ を含むすべての上位集合も頻出ではない」
→ 探索木の枝刈りができる。

擬似コード

L₁ ← {頻出 1-itemset}                          # 1 個ずつアイテムをスキャン
k ← 2
while L_{k-1} ≠ ∅:
    C_k ← 候補生成(L_{k-1})                    # k-itemset の候補
    C_k ← C_k から、 部分集合が L_{k-1} にない候補を除外（枝刈り）
    各トランザクションを 1 回スキャンして Support 計算
    L_k ← {c ∈ C_k : Support(c) ≥ min_support}
    k ← k + 1
return ∪ L_k

具体例（min_support = 2/5）

5 件のバスケット { {A,B,C}, {A,C}, {A,B}, {B,C}, {A,B,C,D} } で実行:

D を含む候補 ({AD},{BD},...) は L₁ で D が落ちた時点で 一切評価しない ── これが枝刈りの効果。 もし D の出現が 1 回なら、 {AD},{BD},{CD},{ABD},{ACD},{BCD},{ABCD} の 7 候補を全て省略できる。

FP-Growth ── tree で 2 回スキャンに圧縮

Apriori の弱点は「k ごとに DB を再スキャン」「候補生成のコスト」。 FP-Growth はトランザクションを FP-tree（頻出パタン木） として 2 回目のスキャンで構築し、 そこから直接マイニングする。 大規模データで Apriori より 10〜100 倍高速。

FP-tree (例)
       root
        │
   ┌────┴─────┐
  A:4         B:1
   │          │
  ┌┴──┐       C:1
  B:3 C:1
  │
  C:2
  │
  D:1

各ノードに「アイテム名 : カウント」が乗り、 同じ接頭辞は共有される。 メモリ上で再帰的にマイニングすれば、 何度も DB を読まなくて済む。 mlxtend, Spark MLlib いずれも FP-Growth 実装を提供している。

📜 歴史的経緯

❓ よくある質問（FAQ）

Q1. min_support の最適値は？

業界・データ規模により異なる。 EC で 1 万 SKU × 100 万トランザクションなら 0.001〜0.01、 47 都道府県のような小規模なら 0.1〜0.3。 「ルール数が手作業で読める量（10〜100 件）」を目安に二分探索的に調整する。

Q2. Lift と Confidence、 どちらを優先すべき？

用途による。 「このルールを使ったレコメンドが当たる確率」を知りたいなら Confidence。 「このペアは特別に共起しやすいか」なら Lift。 実務では両方の閾値で AND フィルタするのが定番（例: Conf ≥ 0.3 かつ Lift ≥ 1.5）。

Q3. 連続値はそのまま使えない？

通常は 離散化（ビニング）して 0/1 ダミーに変換。 本ページの SSDSE 例も「中央値で 2 値化」した。 等頻度ビン、 等幅ビン、 ドメイン知識による境界設定など複数の方法がある。 ビン境界次第で結果が変わるため、 複数設定で頑健性を確認するのが望ましい。

Q4. 結果が大量で読み切れない

対策: ① 閾値を上げる、 ② Lift 上位 N 件だけ表示、 ③ Closed Itemset（情報を失わずに圧縮した代表）に限定、 ④ ルールクラスタリング（似たアンテシデント／コンセクエントをまとめる）、 ⑤ 可視化（散布図: x=Support, y=Confidence, 色=Lift）。

Q5. Apriori と決定木はどう違う？

決定木は 「予測すべきターゲット変数」が決まっていてそれを最大限当てるためのルールを学習。 アソシエーションは 「全アイテムの組み合わせ」を網羅的に探索しターゲット不問。 探索的データ分析でアソシエーション、 教師あり予測で決定木、 と使い分ける。

🎓 発展トピック

① Maximal / Closed Itemset ── ルールの圧縮表現

通常の頻出アイテム集合は冗長（{A,B} が頻出なら {A},{B} も自動的に頻出）。 これを抑えるための代表抽出：

• Maximal Frequent Itemset ── どのスーパーセットも頻出でない集合のみ。 数は少ないが Support 情報は失う。
• Closed Frequent Itemset ── 同じ Support を持つスーパーセットがない集合。 完全情報を保持しつつ冗長性を除去。

FPClose, CLOSET+ などのアルゴリズムが closed itemset を直接マイニング。 ルール数が 1/10〜1/100 に減るため、 出力解釈が現実的になる。

② Top-K ルール抽出

min_support を決めるのが難しい場合、 「Lift 上位 K 件だけほしい」と直接指定するアプローチ。 TopKRules, TKS などのアルゴリズムが該当。 ビジネス側からは「とりあえず面白いルールを 20 件」と指示できる利点。

③ Constraint-based Mining

「コンセクエントに必ず特定商品を含む」「アンテシデントは 3 アイテムまで」など制約付き探索。 mlxtend では association_rules 後にフィルタするが、 SPMF の TopKClassRules などは 探索段階で制約を組み込み高速化 する。

④ ネガティブ・アソシエーション

「A を買うと B を買わない」（Lift < 1, 排他的）も重要。 標準 Apriori は頻出パタンしか見ないため、 ネガティブを発見するには $P(A \cap \bar{B})$ の集合に対し別途マイニングが必要。 BookCrossing データで「ハードボイルド読者はラブロマンス読まない」のような排他構造を発見できる。

⑤ Quantitative Association Rules（量的拡張）

「年齢 [30-40] かつ 年収 [400-600万] ⇒ 自動車保有」のように 連続値の範囲をアンテシデントに含めるルール。 ビニング境界を 動的に最適化する Srikant & Agrawal (1996) の手法が古典。

⑥ Multilevel Association Rules（階層化）

「乳製品 ⇒ パン」（カテゴリ階層）と「ヨーグルト ⇒ クロワッサン」（細粒度）を 同じ枠組みで扱う。 階層を上下に動かしながら適切な粒度を見つける。

⚖️ 他手法との使い分け

使い分けの目安

• 探索的に「面白い共起」を発見したい → アソシエーションルール
• 特定のターゲット（離反、 購入有無）を予測したい → 決定木 / ロジスティック回帰
• 顧客セグメントを作りたい → クラスタリング (k-means, GMM)
• 「あなたへのオススメ」を出したい → 協調フィルタリング / 行列分解 + アソシエーション補助
• キャンペーンの効果を測りたい → A/B テスト / 因果推論

📊 ルールの可視化テクニック

① Scatter plot (Support × Confidence × Lift)

横軸 Support、 縦軸 Confidence、 点の色を Lift で染める散布図。 右上にあるほど「広く成立し信頼性も高い」、 色が濃いほど「Lift も高い」。 良いルールは右上＋濃色の点。

② Matrix-based visualization

行＝アンテシデント、 列＝コンセクエント、 セル＝Lift のヒートマップ。 ルール数が多くてもパタンを一目で把握できる。 R の arulesViz::plot(rules, method="matrix") や Python の seaborn.heatmap で実装可能。

③ Graph-based visualization

ノード＝アイテム、 エッジ＝ルール、 矢印の太さ＝Confidence、 色＝Lift。 商品間の関係構造をネットワークとして俯瞰できる。 NetworkX, Cytoscape, Gephi などで描画。

④ Parallel coordinates

複数アイテムの組み合わせをラインで結ぶ。 「3 アイテム以上のルール」を視覚化するのに有効。

📋 クイックリファレンス

🎯 やってみよう ── ワンストップ完全実装

これまでの①〜④を統合し、 SSDSE-B-2026 から「都道府県の構造的ルール」を Top-10 出力する完成版スクリプト。 環境構築 → データ取得 → ダミー化 → Apriori → 結果整形を 1 ファイルで実行できる。

⑤ 統合チュートリアル：47 都道府県の構造的ルール Top-10

このコードでやること: SSDSE-B-2026 から 4 つの指標（高齢化率、 人口、 出生率、 全国人口シェア）を抽出し、 mlxtend で Lift 上位 10 ルールを出力する完全版。

📥 入力データ: data/raw/SSDSE-B-2026.csv (565 行 × 112 列)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import pandas as pd
from mlxtend.frequent_patterns import apriori, association_rules

# 1. データ読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932').iloc[1:]
df['year'] = pd.to_numeric(df['SSDSE-B-2026'], errors='coerce')
pref = df[(df['year']==2023) & df['Code'].str.endswith('000')].copy()

# 2. 4 指標を計算
for c in ['A1101','A1303','A4101']:
    pref[c] = pd.to_numeric(pref[c], errors='coerce')
pref['aging']  = pref['A1303'] / pref['A1101']
pref['birth']  = pref['A4101'] / pref['A1101']
pref['pop_share'] = pref['A1101'] / pref['A1101'].sum()

# 3. 中央値で 0/1 ダミー化（バスケット形式）
basket = pd.DataFrame({
    'aging_high':  pref['aging']      > pref['aging'].median(),
    'pop_low':     pref['A1101']      < pref['A1101'].median(),
    'birth_low':   pref['birth']      < pref['birth'].median(),
    'share_small': pref['pop_share']  < pref['pop_share'].median(),
})

# 4. Apriori → association_rules → Top-10
freq  = apriori(basket, min_support=0.3, use_colnames=True)
rules = association_rules(freq, metric='lift', min_threshold=1.0)
top10 = rules.sort_values('lift', ascending=False).head(10)
print(top10[['antecedents','consequents','support','confidence','lift']])

📤 実行結果:

💬 結果の読み方: トップ層は share_small ⇔ pop_low（Lift 2.043）── これは人口シェアが総人口の単調変換であるため share_small と pop_low が同一の集合になることの数学的必然（自明ルール）。 続く 3 要素ルール（aging_high ∩ pop_low ⇒ share_small）も Confidence 1.00 で、 「高齢化高 ∩ 人口少」の県は 100% 全国シェア小。 一方「aging_high ⇔ pop_low」は Lift=1.51 と実質的な連関を示す。 birth_low を含むルールは Lift が 1.0 前後にとどまり Top-10（min_support=0.3）には残らない ── 出生率低との共起は弱い、 というのがデータの示す実態である。

📖 用語ミニ辞書

トランザクション (Transaction)

1 回の購買、 1 セッション、 1 件のレコードなど「同時に観測された」最小単位。

アイテム (Item)

バスケットに入る基本要素。 商品、 イベント、 属性値などをすべて抽象化した概念。

アイテム集合 (Itemset)

1 つ以上のアイテムの集合。 例: {パン, バター} は 2-itemset。

頻出 (Frequent)

Support が事前指定の閾値（min_support）以上であること。

アンテシデント / コンセクエント (Antecedent / Consequent)

ルール $A \Rightarrow B$ における左辺 $A$ と右辺 $B$。 「条件」と「帰結」。

モノトニシティ (Monotonicity / Anti-monotonicity)

$X \subseteq Y \Rightarrow \mathrm{Support}(X) \geq \mathrm{Support}(Y)$。 Apriori の枝刈り原理の根拠。

候補生成 (Candidate Generation)

前段の頻出 (k-1)-itemset を join して k-itemset の候補を作る手続き。

枝刈り (Pruning)

部分集合が頻出でない候補を即座に排除する操作。 Apriori の高速化の核心。

🧪 シナリオ別テンプレート

シナリオ A: 小売店の販促企画

1. 過去 3 ヶ月の POS データを抽出（レシート ID, 商品 ID, 日時）
2. レシート ID をキーに pivot → 0/1 行列を作成
3. min_support=0.005（500 レシートに 1 回以上）で Apriori
4. Lift > 2.0, Confidence > 0.3 のルールを抽出
5. マーケティング担当と協議し、 棚配置／クロスセル提案を企画
6. 1 ヶ月後、 介入群と対照群で売上を比較（差分の差分法）

シナリオ B: ヘルスケアの併用薬リスク調査

1. レセプトデータから患者 ID, 処方薬 ID, 日付を抽出
2. 「同日処方」をトランザクションとみなす（同一バスケット定義）
3. FP-Growth で min_support=0.0001（10 万件に 1 回）
4. 「副作用ありの転帰」をターゲットとしてフィルタ
5. FDR ≤ 1% で多重比較補正
6. 臨床医とドメインレビュー、 文献マイニングで因果可能性を評価

シナリオ C: Web サイトのコンバージョン改善

1. Google Analytics からセッションログ取得
2. 各セッションをページ閲覧の集合に変換
3. min_support=0.01 で Apriori → 頻出パス抽出
4. 「コンバージョンページ」が consequent のルールに限定
5. 離脱多発ページが antecedent に頻出するルールから改善余地特定
6. A/B テストで改善後ページの効果を確認

シナリオ D: 公的統計の地域分析（本ページの例）

1. SSDSE-B-2026 から最新年度・都道府県データを抽出（47 行）
2. 連続量指標（人口・高齢化率・出生率・全国人口シェア 等）を中央値で 2 値化
3. min_support=0.3（14 件以上で出現）で Apriori
4. Lift, Confidence, Conviction を併用評価
5. χ² 検定で偶然の共起ではないことを確認
6. 結果を都道府県類型化のインプットとして利用

🎯 指標値の解釈早見表

Support

Confidence

Lift

🛠 トラブルシュート

エラー 1: MemoryError / 計算が終わらない

原因: min_support が小さすぎて頻出アイテム集合が爆発。 対策: ① min_support を 10 倍に上げる、 ② Apriori → FP-Growth に切り替え、 ③ 稀少アイテムを事前に除去（Support < 0.001 のアイテム削除）、 ④ Spark MLlib で分散実行。

エラー 2: 出力ルールが 0 件

原因: 閾値が厳しすぎ、 またはアイテム同士の共起が薄い。 対策: ① min_support / min_threshold をログスケールで段階的に下げる、 ② num_itemsets=len(basket) を明示、 ③ basket がスパース過ぎないか確認（密度 10% 以下なら閾値見直し）。

エラー 3: TypeError on boolean basket

原因: mlxtend は内部で True/False を期待。 int 0/1 を渡すと警告 or エラー。 対策: basket.astype(bool) で型を揃える、 または fpgrowth(basket.astype(bool), ...)。

エラー 4: 同じルールが両方向で重複出力

原因: A⇒B と B⇒A が別ルールとして出力される（Confidence が方向ごとに異なるため）。 対策: 分析目的に応じ、 ① frozenset で antecedent ∪ consequent をキーにユニーク化、 ② antecedent サイズが小さい方だけ保持する、 など後処理で重複除去。

エラー 5: 解釈不能なルールが大量出力

原因: 「人気アイテム同士が機械的に高 Support」現象。 対策: ① ドメイン知識で trivial なルールを除外（{食パン}⇒{バター}など自明な組合せ）、 ② Lift とともに Conviction や Kulczynski を併用、 ③ Closed itemset に限定。

🤖 機械学習推薦との比較

「Amazon のレコメンド」は多くがアソシエーションではなく 協調フィルタリング + 行列分解 + 深層学習。 では今なぜアソシエーションを学ぶのか？

結論: 現代の推薦システムは 「ML 推薦をメインに、 アソシエーションで補助／フォールバック／説明可能ルール表示」 という ハイブリッドが定石。 また、 規制業界（医療、 金融）では 説明可能性 が要件のため、 アソシエーションが第一選択となることも多い。

🔄 R 言語との対応

R では arules / arulesViz パッケージが定番。 Python (mlxtend) との対応:

R 版の方が可視化機能 (arulesViz) が充実しているため、 ルール探索・分析フェーズで R を使い、 本番システム連携で Python (Spark MLlib FP-Growth) を使う、 というハイブリッドも一般的。

📑 詳細ケース: 都道府県 4 指標の全ルール集

SSDSE-B-2026 から 4 指標 (高齢化率高, 人口少, 出生率低, シェア小) を 2 値化し、 min_support=0.3 で Apriori を回した結果の 主要ルール一覧。

解釈ポイント

• Lift 2.043 の三重ルール: 「高齢化高 ∩ 人口少 ⇒ シェア小」は Confidence 1.00 で、 47 県中 17 県がこのパタンに該当する典型的「地方圏」プロファイル。 ただしシェア小は人口少と同一集合（自明）である点に注意。
• 高齢化と人口規模の連関: 「高齢化高 ⇔ 人口少」は Lift 1.51 で明確な正の連関。 一方「高齢化高 ⇒ 出生率低」は 1.24 と穏やか、 「人口少 ⇒ 出生率低」は 0.98 でほぼ独立 ── 出生率低との共起は弱い。
• 対称性: Lift は順序無関係なので、 A⇒B と B⇒A で同じ値。 Confidence は方向性ありで異なる値となる。
• 政策示唆: 単一指標（例: 出生率）だけを対象とする政策は限界。 ただし 2023 年データで統計的に強く結び付くのは主に 高齢化↔人口規模 の軸であり、 出生率低はこの 2 指標とは弱い連関にとどまる。

注意事項

この分析は 47 サンプルで実施しており、 統計的検出力は限定的。 ルールは 相関構造の記述として読むべきで、 因果関係（例: 高齢化が出生率を下げる）は別途、 自然実験や時系列パネルデータで検証する必要があります。

📊 図で掴む ── アソシエーションルールの分布と構造

アソシエーションルール分析の結果を表だけで眺めると、 個々のルールの数字に圧倒されて全体像を見失う。 ここでは SSDSE-B-2026 都道府県 47 件を「高齢化率 高/低」「人口 多/少」「出生率 高/低」「全国人口シェア 大/小」のダミー変数（item）にエンコードしたあと、 算出された Support / Confidence / Lift の分布そのものを 3 つの可視化で見渡す。 こうすると「ほとんどのルールは Lift=1 付近に集中する／一部のルールだけが極端」という構造が一目で分かる。

① 散布図: Support × Confidence （ルール 1 件 = 1 点）

x 軸に Support、 y 軸に Confidence を取り、 点の色を Lift で塗ると、 右上（高 Support × 高 Confidence）にあるほど「頻出で当たり前のルール」、 左上（低 Support × 高 Confidence）にあるほど「珍しいが起きると確実なルール」だと読める。 SSDSE-B では右上に「人口少 ⇒ 全国人口シェア小」の自明ルールが密集し、 左上に「高齢化率高 ⇒ 出生率低」のような地方構造を映すルールが点在する。

図 r520-1: 抽出されたルールの Support × Confidence 散布図（分布イメージ）。 右上ほど「みんなが知っていて外れない」当たり前のルール。 左上ほど「珍しいが起きると確実」のレアルール。

この散布図を見ずに表だけ眺めると、 Lift=1.5 の中ほどのルールを過大評価しがち。 散布図は「全体に対して、 そのルールが分布のどこに位置しているか」を強制的に意識させる装置として効く。

② ヒストグラム: Lift の分布 （独立=1 からのズレ）

Lift は「もし前件と後件が独立なら 1」になる指標。 全ルールの Lift 値をヒストグラムにすると、 ほとんどが Lift=1 付近に集中し、 ロングテールで Lift=2 や Lift=3 のルールが少数だけ顔を出す。 これは「大半のルールは独立で意味がない」「本当に意味があるルールは少数の外れ値」という構造を示す。

図 r520-2: 全ルールの Lift 値ヒストグラム（分布イメージ）。 Lift=1 付近に大きな山があり、 Lift>2 の領域はごく少数しかない。

ヒストグラムの「Lift=1 の山」が大きいほど、 そのアイテム集合は実は互いに独立に近い。 つまり association_rules() が大量に出力したルールの 90% 以上は「偶然の共起」に過ぎない可能性が高い。 だからこそ minimum lift threshold（例: lift > 1.2）でのフィルタが実務では必須となる。

③ 箱ひげ図: Lift の前件サイズ別分布

前件（antecedent）に含まれる item 数を 1, 2, 3 と変えたとき、 Lift 値の分布がどう動くかを箱ひげで比較する。 一般に前件サイズが増えるほどルールは具体的になり Lift は上がりやすい（ただし Support は下がる）。 SSDSE-B では前件サイズ 2 のときに Lift の中央値が 1.5 付近まで上がるが、 サイズ 3 では Support 不足で外れ値が支配的になる。

図 r520-3: 前件サイズ別 Lift 値分布。 サイズが大きくなるほど Lift は上振れするが、 ばらつきも増える。

この図から学べる実務指針: 「前件サイズは小さく保つ（1〜2 個）」のが解釈性とサンプル数のバランスで最も実用的。 サイズ 3 以上は「面白いが追試できない」傾向にある。

3 つの図を Python 1 セルで再現する

このコードでやること: SSDSE-B-2026 を読み込み、 4 指標を 2 値化し、 mlxtend で Apriori → association_rules を実行、 散布図・ヒストグラム・箱ひげの 3 図を一度に保存する。

📥 入力データ（data/raw/SSDSE-B-2026.csv 抜粋）:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mlxtend.frequent_patterns import apriori, association_rules

# 1. SSDSE-B-2026 を cp932 で読み込み、2 行目の日本語ヘッダを除外
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932').iloc[1:]
df['year'] = pd.to_numeric(df['SSDSE-B-2026'], errors='coerce')
pref = df[(df['year']==2023) & df['Code'].str.endswith('000')].copy()

# 2. 実在列 A1101/A1303/A4101 から連続量指標を計算
for c in ['A1101','A1303','A4101']:
    pref[c] = pd.to_numeric(pref[c], errors='coerce')
pref['aging'] = pref['A1303'] / pref['A1101']
pref['birth'] = pref['A4101'] / pref['A1101']
pref['pop_share'] = pref['A1101'] / pref['A1101'].sum()

# 3. 中央値で 0/1 ダミー化（バスケット形式）
basket = pd.DataFrame({
    'aging_high':  pref['aging']     >= pref['aging'].median(),
    'pop_low':     pref['A1101']     <  pref['A1101'].median(),
    'birth_low':   pref['birth']     <  pref['birth'].median(),
    'share_small': pref['pop_share'] <  pref['pop_share'].median(),
})

# 4. Apriori → ルール生成 → 3 図を描画
freq = apriori(basket, min_support=0.10, use_colnames=True)
rules = association_rules(freq, metric='lift', min_threshold=0.5)
rules['ant_size'] = rules['antecedents'].apply(len)

fig, axes = plt.subplots(1, 3, figsize=(15, 4.5))
axes[0].scatter(rules['support'], rules['confidence'],
                c=rules['lift'], cmap='viridis', alpha=0.7)
axes[0].set_xlabel('Support'); axes[0].set_ylabel('Confidence')
axes[1].hist(rules['lift'], bins=30, edgecolor='black')
axes[1].set_xlabel('Lift'); axes[1].set_ylabel('Frequency')
axes[2].boxplot([rules[rules['ant_size']==k]['lift']
                 for k in [1,2,3]], tick_labels=['1','2','3'])
axes[2].set_xlabel('Antecedent size'); axes[2].set_ylabel('Lift')
plt.tight_layout(); plt.savefig('rules_3figs.png', dpi=120)
print('saved:', len(rules), 'rules')

📤 実行例:

💬 結果の読み方: ルールの大半は Lift≒1（独立、 つまり無意味）に集中し、 意味のある共起はロングテールの少数に限られる。 そこから Lift>1.5 を採用し、 さらに前件サイズを 1〜2 に絞れば「実務で使える」少数のルールが残る。 → アソシエーションルールは「大量に作って、 統計的に絞る」のが正しい使い方。 具体値は 4 指標の中央値 2 値化の結果に依存する（本ページ Python ①〜④ が再現可能な検証済みルール）。

📝 理解度チェック ── 10 問で自己診断

アソシエーションルールの落とし穴は「指標の意味を取り違える」「Support と Confidence と Lift の三角関係を曖昧にする」の 2 点に集約される。 以下 10 問は、 実務で「やってしまいがちな誤解」を狙い撃ちにしている。 1 問 30 秒で解いて、 最後の解説で答え合わせをして欲しい。

📊 指標 11 種類の完全比較表

アソシエーションルール分析では Support / Confidence / Lift の 3 大指標だけでなく、 状況に応じて 10 種類以上の補助指標が使われる。 以下は実務でよく登場する 11 種類を一覧化したもの。 列「独立時の値」「最大値」「対称性」を併記したので、 自分の分析に合うものを選ぶときの目安にして欲しい。

選び方の目安:
① 頻出フィルタ目的なら Support 一択 / ② 「X が起きたとき Y が起きやすいか」を非対称に見たいなら Confidence / ③ 偶然との差を見たいなら Lift か Leverage / ④ クラス不均衡が激しいなら All-Confidence や Kulczynski / ⑤ 統計的に「無相関」を棄却したいなら χ² 検定。
実務では「Support + Lift + χ²」の 3 点フィルタを順に適用するのが定石。

📖 ミニ辞典 ── アソシエーション分析周辺の 20 語

論文や実装ドキュメントを読むときに「これは何だっけ？」と止まらないように、 周辺で頻出する 20 語を一気に整理する。 各語は基準ページの関連語ともリンクしているので、 詳細はリンク先で深掘りして欲しい。

🔬 深掘り追記 ── リフトの死角・冗長ルールの整理・小標本の推測

本ページの用語対照表に一行だけ登場した Kulczynski / Imbalance Ratio / 閉じた頻出集合 を、 実際の数字で動かして補強する追記。 既出の落とし穴（多重比較・人気商品の罠・稀少アイテム）とは別の、 「リフトそのものが持つ構造的な弱点」と「n=47 でルールをどこまで信じてよいか」に焦点を当てる。

⚠️ リフトの死角: 零トランザクション問題（null-invariance）

例 1 の架空のレシート 1,000 枚（パン 600・バター 500・同時 400）に、 パンもバターも含まないレシートを 9,000 枚継ぎ足して n=10,000 にしてみる。 パンとバターの関係自体は 1 ミリも変わっていないのに、 指標は次のように動く（架空データによる思考実験）。

Lift の分母 $P(A)P(B)$ は「A も B も含まない行」が増えるだけで小さくなるため、 無関係なトランザクションを足すほど Lift は勝手に上がる。 この性質を「null-invariant でない」と呼ぶ。 一方 $\mathrm{Kulc}(A,B) = \tfrac{1}{2}\{P(B \mid A) + P(A \mid B)\}$ と $\mathrm{IR} = |P(A)-P(B)| \,/\, \{P(A)+P(B)-P(A \cap B)\}$ は A・B の行だけから決まるので不変（null-invariant）。 全店舗ログのように「対象カテゴリと無関係なカゴ」が大量に混ざるデータでは、 Lift のランキングは分析対象の切り出し方ひとつで一変する。 Kulc で強さ・IR で偏りを併読し、 Lift は「同じトランザクション集合内での比較」に限って使うのが安全。

🧊 冗長ルールの整理: 閉じた頻出集合と極大頻出集合

手法選択フローで名前だけ出た Closed Itemset の中身。 頻出集合 $X$ が「$X$ と同じ Support を持つ真の上位集合が存在しない」とき閉じた（closed）、 「頻出な真の上位集合が存在しない」とき極大（maximal）と呼ぶ。 極大 ⊆ 閉 ⊆ 頻出 の包含関係にあり、 閉集合だけ保存すれば全頻出集合の Support を無損失で復元できる（極大は個数が最少だが Support 情報を落とす）。

本ページの代表ルール表がまさに好例で、 share_small と pop_low は同一集合のため R5 は R1 の完全な複製だった。 {pop_low} は {pop_low, share_small} と Support が同じ ── つまり {pop_low} は閉じていない ── ので、 閉集合マイニング（mlxtend では fpmax が極大版）を使えばこの種の複製ルールは列挙の段階で自動的に潰せる。 アイテム数が増えるほどルール本数は閉集合ベースで桁単位に減り、 多重比較の母数（検定回数）も同時に減るという一石二鳥の前処理になる。

📏 n=47 でルールを信じてよいか ── 区間推定と正確検定

R1「pop_low ⇒ aging_high」の 2×2 表（17, 6 / 6, 18）は 47 県しかない。 Confidence 0.739 はあくまで点推定で、 二項比率 17/23 の Wilson 95% 信頼区間は [0.535, 0.875] と幅が広い（信頼区間）。 それでも関連の有無自体は、 Fisher の正確検定で p ≈ 0.0012（オッズ比 8.5）、 Yates 補正付き χ² ≈ 9.37（p ≈ 0.0022、 カイ二乗検定）と明瞭に有意。 本ページの 4 ダミーから作れる 1⇒1 の有向ルールは 4×3 = 12 本なので、 Bonferroni 補正後も 0.0012 × 12 ≈ 0.015 < 0.05 で生き残る（多重比較）。

教訓は二つ。 (1) 小標本では「Lift 1.51」の一点だけでなく、 正確検定の p 値と Confidence の区間をセットで報告する（区間はブートストラップでも可）。 (2) 補正の母数は「作り得たルール総数」で数える ── 有意に見えたルールだけ数えて補正すると偽陽性対策にならない。 R1 のように補正後も残るルールだけが、 解釈（相関であって因果ではない）に進む資格を持つ。

🔗 隣接手法への橋渡し

アソシエーションルール X⇒Y は、 トランザクション化 → 頻出集合列挙 → ルール生成 → 評価のパイプラインで動く。

• 上流: 連続変数の 二値化 (binning)と one-hot 化、 トランザクション行列の構築 — 「人口密度=1234」を「人口密度_高」フラグに翻訳しないと support 計算が成立しない。
• 並列: Apriori (アンチモノトニック性)・FP-Growth (FP-tree)・Eclat (TID-set 交差) で同じ頻出集合を求めるが、 メモリ vs パス数のトレードオフが異なる。
• 下流: support/confidence/liftでの評価、 redundant rule の除去、 業務担当者によるドメイン解釈、 介入実験 (A/B テスト) での因果検証。

SSDSE-B-2026 で「{高齢化率_高, 人口密度_低} → {一次産業_高}」が lift=2.1 で得られた場合、 これは共起構造の記述であって因果ではない点を明示し、 政策議論に使うときの解釈の責任を分離する。

🌳 手法選択フロー

アソシエーションルール抽出の選択は「アイテム数」「希少パターンの重要度」「順序の有無」の 3 軸で判定。

1. アイテム数の規模: 数十～千 → Apriori で十分。 数万以上 → FP-Growth (1 パスで FP-tree 構築) が高速。 SSDSE-B-2026 を二値化したアイテム数は 100 前後で Apriori 一択。
2. 稀なパターンも見たい? Yes → support 閾値を下げる + lift 閾値を上げる。 No → support>=0.3 で計算量削減。 「沖縄だけに現れる稀パターン」を見つけたい場合は閉じた頻出集合 (Closed Itemset) 抽出。
3. 時間順序を含むか? No → 通常のアソシエーションルール。 Yes (例: 5 年間の購買履歴) → Sequential Pattern Mining (PrefixSpan, GSP)。 目的変数付き → Subgroup Discovery。

確信度 confidence + リフト lift の 2 指標だけでなく、 conviction (1-support(Y))/(1-confidence) や leverage (P(X∩Y)-P(X)P(Y)) も併用すると redundant rule 除去が容易。