221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) ปีการศึกษา 2558 ภาคการศึกษาปลาย อาจารย์ปรัชญา นวนแก้ว (Update: January 21, 2019)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Outlines กฎความสัมพันธ์ (Association Rules) กฎความสัมพันธ์และการ ประยุกต์ใช้งาน เทคนิคการหากฎ ความสัมพันธ์ ด้วยวิธี Apriori Source: http://www.abonyilab.com/_/rsrc/1405600876944/biclustering/bittable_rep_market_basket.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

กฎความสัมพันธ์ (Association Rules) กฎความสัมพันธ์ (Association Rules) เป็นเทคนิคหนึ่งของ Data Mining หมายถึง การค้นหาความสัมพันธ์ของ ข้อมูลที่มีอยู่เพื่อนำไปหารูปแบบที่เกิดขึ้นบ่อยๆ (Frequent Pattern) และใช้ในการวิเคราะห์ความสัมพันธ์ ทำนายปรากฏการณ์ต่างๆ ฐานข้อมูลที่ใช้ในการทำเหมืองความสัมพันธ์ (Association Mining) มักเป็นฐานข้อมูลประเภท Transaction Database ผลลัพธ์ที่ได้เป็นกฎความสัมพันธ์ (Association Rule) สามารถเขียนได้ ในรูปเซตของรายการที่เป็นเหตุ ไปสู่ เซตของรายการที่เป็นผล ซึ่งมีรากฐานมาจากการวิเคราะห์ ตะกร้าตลาด (Market Basket Analysis) เช่น ลูกค้าที่ซื้อ ผ้าอ้อมส่วนใหญ่จะซื้อเบียร์ด้วย 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

ตัวอย่างการนำเทคนิคไปประยุกต์ใช้งาน ระบบแนะนำหนังสือให้กับลูกค้าแบบอัตโนมัติของ Amazon หมายถึงข้อมูลการสั่งซื้อทั้งหมดจะถูกนำมา ประมวลผลเพื่อหาความสัมพันธ์ของข้อมูล เช่น ลูกค้าที่ซื้อ หนังสือเล่มหนึ่งๆ มักจะซื้อหนังสือเล่มใดพร้อมกันด้วยเสมอ ความสัมพันธ์ที่ได้จากกระบวนการนี้สามารถนำไปใช้คาด เดาได้ว่าควรแนะนำหนังสือเล่มใดเพิ่มเติมให้กับลูกค้า Source: http://www.amazon.com/books-used-books-textbooks/b?node=283155 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

กฎความสัมพันธ์ (Association Rules) Source: http://image.slidesharecdn.com/lecture14-090305022155-phpapp02/95/lecture14-advanced-topics-in-association-rules-2-728.jpg?cb=1236219720 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

กฎความสัมพันธ์ (Association Rules) การวิเคราะห์ตะกร้าตลาด เป็นรูปแบบที่ใช้เพื่อหากลุ่ม สิ่งของที่น่าจะปรากฏร่วมกัน ใน transaction ซึ่งมัก เป็น transaction ณ จุดขาย ผลลัพธ์ที่ได้สามารถ แสดงได้ด้วย กฎความสัมพันธ์ ซึ่งบอกความเป็นไปได้ ของการซื้อสินค้าต่างๆ ร่วมกัน การวิเคราะห์ตะกร้าตลาด มีบทบาทสำคัญต่อ อุตสาหกรรมการค้าปลีก (Retail Industry) ซึ่งใช้ สารสนเทศศึกษาพฤติกรรมของลูกค้า จัดพื้นที่ร้านค้า จัดวางสินค้าร่วมกันเพื่อส่งเสริมการขาย การวางแผนการส่งเสริมการขายและตั้งราคาผลิตภัณฑ์ 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

เทคนิคการหากฎความสัมพันธ์ด้วยวิธี Apriori Apriori เป็นอัลกอริทึมพื้นฐานที่ใช้ในการหาความสัมพันธ์ ของข้อมูล โดยใช้หลักการค้นหาแบบวงกว้าง ซึ่งจะทำ การสร้างและตรวจสอบ Item sets ที่เกิดขึ้นบ่อยทีละชั้น จุดเด่นอยู่ที่ความสามารถและความเร็วของการค้นหา Item sets ที่ปรากฏด้วยการละเว้นการพิจารณา Item sets ที่ ปรากฏซ้ำด้วยความถี่ที่ต่ำกว่าเกณฑ์ 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori ค่าสนับสนุนขั้นต่ำ (Minimum Support) และค่าความ เชื่อมั่นขั้นต่ำ (Minimum Confidence) ถูกใช้ในการค้นหา กฎความสัมพันธ์ ซึ่งขึ้นอยู่กับผู้ใช้ระบบหรือผู้เชี่ยวชาญ (Expert user) ในการกำหนดเพื่อให้ได้ผลลัพธ์ตามที่ต้องการ โดยกฎความสัมพันธ์ที่ได้นั้นจะต้องมีค่าสนับสนุน (Support) และค่าความเชื่อมั่น (Confidence) ไม่น้อยกว่าค่าขั้นต่ำที่ได้ กำหนดเอาไว้ข้างต้น ค่าสนับสนุน (Support) คือ เปอร์เซ็นต์ของจำนวน Item sets ทั้งหมดที่เกิดขึ้นในฐานข้อมูล ค่าความเชื่อมั่น (Confidence) คือ เปอร์เซ็นต์ของจำนวน Item sets ทั้งหมดที่เกิดขึ้นในฐานข้อมูล ต่อ จำนวน Item sets ที่เกิดขึ้นทางด้านซ้ายมือของกฎ 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori 1. การหา frequent item sets หรือการหารูปแบบของ ข้อมูลที่เกิดขึ้นร่วมกันบ่อยๆ ในฐานข้อมูล หรือมากกว่าค่า minimum support ที่ผู้ใช้กำหนด ในขั้นตอนนี้จะแบ่งได้อีก เป็น 2 ขั้นตอนย่อย คือ การสร้างรูปแบบของ item sets (join) จะใช้รูปแบบของ item sets ที่มีค่ามากกว่า minimum support มาทำการสร้าง รูปแบบของ item sets ที่มีขนาดยาวมากขึ้นทีละหนึ่งขั้นไปเรื่อยๆ การนับค่า support (count) หลังจากที่สร้างรูปแบบของ item sets ได้แล้ว ขั้นถัดมาจะทำการคำนวณค่า support ที่เกิดขึ้น โดยที่ support คือจำนวนเปอร์เซ็นต์ที่พบ item sets ใน ฐานข้อมูล 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori 2. การสร้าง association rule หลังจากที่หา frequent item sets ได้แล้วจะนำรูปแบบที่หาได้มาสร้างเป็น กฎความสัมพันธ์โดย เช่น Apple => Cereal หมายความ ว่าเมื่อลูกค้าซื้อ Apple แล้วลูกค่าจะซื้อ Cereal ร่วมไปด้วย 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori ตัวอย่างข้อมูลที่แสดงในรูป ที่ 1 ซึ่งเรียกว่า transaction database ใน ฐานข้อมูลนี้จะประกอบด้วย 4 transaction และมีสินค้าที่ ลูกค้าซื้อทั้งหมด 5 ประเภท คือ Apple, Beer, Cereal, Diapers และ Eggs รูปที่ 1 แสดง transaction database ที่จะใช้หากฎความสัมพันธ์ Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/Screen-Shot-2557-03-20-at-3.28.54-AM.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori รูปที่ 1 แสดง transaction database ที่จะใช้หากฎความสัมพันธ์ Source: 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori การหากฎความสัมพันธ์ โดย กำหนดค่า minimum support ไว้ที่ 50 % นั่นคือ สินค้าที่มีการซื้อมากกว่า หรือเท่ากับ 50% จะถือว่า เป็น frequent item sets ขั้นตอนการทำงานมีดังนี้ 1. คำนวณหาค่า support ของแต่ละ item ดังแสดงในรูป ที่ 2 แต่ละแถวคือข้อมูลสินค้า แต่ละชนิดและแต่ละคอลัมน์มี ความหมาย ดังนี้ … รูปที่ 2 แสดงการคำนวณค่า support ของสินค้าแต่ละชนิด Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule1.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori 1. คำนวณหาค่า support ของแต่ละ item ดังแสดงในรูป ที่ 2 แต่ละแถวคือข้อมูลสินค้า แต่ละชนิดและแต่ละคอลัมน์มี ความหมาย ดังนี้ คอลัมน์ที่ 1 คือชื่อสินค้าหรือ item หรือ item sets คอลัมน์ที่ 2-5 คือหมายเลขของ transaction ถ้ามีการซื้อสินค้าใน transaction ใดที่คอลัมน์ของ transaction นั้นจะมีหมายเลข 1 แต่ถ้าไม่มีจะเป็นเลข 0 คอลัมน์ที่ 6 คือ ค่า support รูปที่ 2 แสดงการคำนวณค่า support ของสินค้าแต่ละชนิด Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule1.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori จากค่า support ที่คำนวณ ได้ในรูปที่ 2 จะเห็นว่า Diapers มีค่า support ต่ำกว่าค่า minimum support (25% < 50%) ดังนั้น Diapers จะถูกตัด ออกและไม่นำไปพิจารณาสร้าง เป็น item sets ที่มีความยาว 2 ต่อไป ดังรูปที่ 3 และเรียก Apple, Beer, Cereal และ Eggs ว่า frequent item sets รูปที่ 3 Diapers ถูกตัดทิ้งเนื่องจากมีค่า support ต่ำกว่าค่า minimum support ที่กำหนดไว้ Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule2.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori 2. นำ frequent item sets ที่ได้จากรูปที่ 3 มาสร้างเป็น item sets ที่มีความยาว 2 โดย ใช้การ join ได้เป็น {Apple, Beer}, {Apple, Cereal}, {Apple, Eggs}, {Beer, Cereal}, {Cereal, Eggs} และเนื่องจากเป็นเซต ลำดับของข้อมูลไม่มีผล นั่นคือ {Apple, Beer} = {Beer, Apple} รูปที่ 4 แสดงค่า support ของ item sets ที่มีความยาว 2 Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule3.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori ส่วนการคำนวณค่า support ก็นำข้อมูล transaction ในรูปที่ 3 มาทำ intersect กัน (หรือใช้ bit operation AND ก็ได้) เช่น การหา support ของ {Apple, Beer} จะเกิดจาก transaction (Apple) = {1,0,1,0} transaction (Beer) = {0,1,1,1} transaction (Apple, Beer) = {0,0,1,0} รูปที่ 4 แสดงค่า support ของ item sets ที่มีความยาว 2 Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule3.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori ค่า support ของ item sets ที่มีความยาว 2 ทั้งหมดจะ แสดงในรูปที่ 4 และ item sets ที่มีค่า support น้อยกว่า minimum support จะถูกตัดทิ้ง ไปทำให้เหลือ frequent item sets ที่มีความยาว 2 เพียงแค่ {Apple, Cereal}, {Beer, Cereal}, {Beer, Eggs}, {Cereal, Eggs} ดัง แสดงในรูปที่ 5 รูปที่ 5 แสดง frequent item sets ที่มีความยาว 2 Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule4.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori 3. ถัดมาทำการสร้าง item sets ที่มีความยาวเท่ากับ 3 โดยมีเงื่อนไขว่าข้อมูล item แรกจะต้องมีค่าเหมือนกันจึง สามารถทำการ join กันได้ เช่น {Beer, Cereal, Eggs} เกิดจากการ join {Beer, Cereal} และ {Beer, Eggs} แต่ ไม่สามารถ join {Apple, Cereal} และ {Beer, Cereal} ได้ ดังนั้นในขั้นตอนนี้จะมีเพียงแค่ item sets เดียวคือ {Beer, Cereal, Eggs} และเป็น frequent item sets ดังแสดงใน รูปที่ 6 รูปที่ 6 แสดง item sets ที่มีความยาวเท่ากับ 3 Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule5.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori จากรูปที่ 6 เราไม่สามารถ สร้าง item sets ที่มีความยาว มากขึ้นกว่านี้ได้อีก ขั้นตอน การหา frequent item sets จึง หยุด และได้ frequent item sets ทั้งหมดดังแสดงในรูปที่ 7 รูปที่ 7 แสดง frequent item sets ทั้งหมดที่หาได้ Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule6.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori 4. ขั้นตอนถัดมาคือการสร้างกฎความสัมพันธ์จาก frequent item sets ที่หาได้ โดยจะพิจารณา frequent item sets ที่มี ความยาวมากกว่า 2 item ขึ้นไปมาสร้างเป็นกฎความสัมพันธ์ เช่น {Apple, Cereal} จะสร้างกฎความสัมพันธ์ได้เป็น Apple => Cereal เป็นต้น โดยกฎความสัมพันธ์ทั่วไปจะแสดงเป็น โดยที่ LHS (Left Hand Side) แสดงรูปแบบ ของ item sets ด้านซ้ายของกฎความสัมพันธ์ และ RHS (Right Hand Side) แสดงรูปแบบของ item sets ด้านขวาของกฎความสัมพันธ์ 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori ในการพิจารณาว่ากฎความสัมพันธ์ที่สร้างได้ดีหรือไม่จำเป็น จะต้องมีตัววัดประสิทธิภาพของกฎ ได้แก่ confidence และ lift ค่า confidence แสดงความเชื่อมั่นของกฎความสัมพันธ์ที่เมื่อ รูปแบบ LHS เกิดขึ้นแล้วรูปแบบ RHS จะเกิดขึ้นด้วยเป็นจำนวน กี่เปอร์เซ็นต์ การคำนวณค่า confidence หาได้จาก Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule8.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori โดยที่ support (LHS, RHS) คือ ค่า support ที่รูปแบบ LHS และ RHS เกิดขึ้นพร้อมๆ กัน ตัวอย่างการหา confidence ของ กฎ Apple => Cereal แสดงได้ดังนี้ Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/Screen-Shot-2557-03-20-at-4.15.55-AM.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori ค่า lift คือค่าที่บ่งบอกว่าการเกิดรูปแบบ LHS และ RHS มีความสัมพันธ์กันแค่ไหน โดยถ้าค่า lift เป็น 1 แสดง ว่ารูปแบบ LHS และ RHS ไม่ขึ้นต่อกัน (independent) ค่า lift คำนวณได้จาก Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/association_rule10.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori ตัวอย่างของการหาค่า lift ของกฎ Apple => Cereal แสดงได้ ดังนี้ Source: http://dataminingtrend.com/2014/wp-content/uploads/2014/03/Screen-Shot-2557-03-20-at-4.16.02-AM.png 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

การหากฎความสัมพันธ์ด้วยวิธี Apriori ค่า confidence และ lift ของกฎความสัมพันธ์ ทั้งหมดที่สร้างได้แสดงในรูปที่ 8 โดยทำการเรียงตามค่า confidence และ lift จาก มากไปหาน้อย Source: http://dataminingtrend.com/2014/wp-content/uploads /2014/03/Screen-Shot-2557-03-20-at-4.18.21-AM.png รูปที่ 8 แสดงกฎความสัมพันธ์ทั้งหมดที่สร้างได้พร้อมทั้งค่า confidence และ lift 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

Thank you for attention. Question and Answer Thank you for attention.

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Workshop 1. Transaction Items 1 Bread, Milk, Diaper 2 Bread, Diaper, Beer, Eggs 3 Milk, Diaper, Beer, Coke 4 Bread, Milk, Diaper, Beer 5 Bread, Milk, Diaper, Coke กำหนดให้ค่า Minimum Support = 50 % จงหาสินค้าที่มีโอกาสซื้อ พร้อมกัน 3 ชนิด โดยมีค่า Support มากกว่าหรือเท่ากับ 50 % และแสดงวิธีการคำนวณ ให้ดู 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Round 1 Items Transaction Support Transaction 1 Transaction 2 Transaction 3 Transaction 4 Transaction 5 Bread 1 4/5 = 80% Milk Diaper 5/5 = 100% Beer 3/5 = 60% Eggs 1/5 = 20% Coke 2/5 = 40% 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Round 2 Item Sets Transaction Support Transaction 1 Transaction 2 Transaction 3 Transaction 4 Transaction 5 {Bread, Milk} 1 3/5 = 60% {Bread, Diaper} 4/5 = 80% {Bread, Beer} 2/5 = 40% {Milk, Diaper} {Milk, Beer} {Diaper, Beer} 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Round 3 Item Sets Transaction Support Transaction 1 Transaction 2 Transaction 3 Transaction 4 Transaction 5 {Bread, Milk, Diaper} 1 3/5 = 60% {Bread, Milk, Beer} 1/5 = 20% {Milk, Diaper, Beer} 2/5 = 40% 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Conclusion. (Support) Frequent Item Sets Support Size {Bread} 80% 1 {Milk} {Diaper} 100% {Beer] 60% {Bread, Milk} 2 {Bread, Diaper} {Milk, Diaper} {Diaper, Beer} {Bread, Milk, Diaper} 3 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Workshop 2. จากข้อมูลที่คำนวณได้จงตอบคำถามต่อไปนี้ โอกาสที่ซื้อนม (Milk) และขนมปัง (Bread) แล้วจะซื้อผ้าอ้อม (Diaper) มีความเป็นไปได้กี่เปอร์เซ็นต์ โอกาสที่ซื้อผ้าอ้อม (Diaper) แล้วจะซื้อนม (Milk) มีความเป็นไป ได้กี่เปอร์เซ็นต์ โอกาสที่ซื้อขนมปัง (Bread) แล้วจะซื้อผ้าอ้อม (Diaper) และนม (Milk) มีความเป็นไปได้กี่เปอร์เซ็นต์ 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Answer 1. 1. โอกาสที่ซื้อนม (Milk) และขนมปัง (Bread) แล้วจะซื้อผ้าอ้อม (Diaper) มีความเป็นไปได้กี่เปอร์เซ็นต์ Confidence ({Milk, Bread} => Diaper) = Support ({Milk, Bread}, Diaper) Support ({Milk, Bread}) = 3/5 = 100% 3/5 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Answer 2. 2. โอกาสที่ซื้อผ้าอ้อม (Diaper) แล้วจะซื้อนม (Milk) มีความเป็นไป ได้กี่เปอร์เซ็นต์ Confidence (Diaper => Milk) = Support (Diaper, Milk) Support (Diaper}) = 4/5 = 80% 5/5 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5) Answer 3. 3. โอกาสที่ซื้อขนมปัง (Bread) แล้วจะซื้อผ้าอ้อม (Diaper) และนม (Milk) มีความเป็นไปได้กี่เปอร์เซ็นต์ Confidence (Bread => {Diaper, Milk}) = Support (Bread, {Diaper, Milk}) Support (Bread) = 3/5 = 75% 4/5 6/30/2019 221203 เทคโนโลยีเพื่องานประยุกต์ทางธุรกิจ 3 (2-2-5)

Lab.. Let’s Go