tag GozentimsizOgrenme

Bu sayfada GozentimsizOgrenme etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

Birliktelik kuralları (Association Rules), büyük işlem veri kümelerinde birlikte görünen öğe grupları arasındaki ilişkileri otomatik olarak keşfeden temel bir veri madenciliği tekniğidir. "Market sepeti analizi" adıyla da bilinen bu yöntem, süpermarket alışveriş verilerinden "ekmek alan müşteriler yüksek olasılıkla tereyağı da alır" gibi kalıpları ortaya çıkarır. Bir birliktelik kuralı A → B biçiminde gösterilir; A kümesinin bulunduğu işlemlerde B kümesinin de görünme eğilimini ifade eder. Bu ilişkinin gücü üç temel istatistiksel ölçütle değerlendirilir: Destek (Support), bir öğe kümesinin tüm işlemler içindeki görünme sıklığını ölçer. Düşük destekli kurallar yeterli işlem verisi olmadığından istatistiksel açıdan güvenilmezdir. Güven (Confidence), A içeren işlemlerde B'nin de yer alma oranını verir. Yüksek güven kuralın sık doğrulandığını gösterir; ancak B'nin genel popülaritesini yansıtmadığı için tek başına yorumlandığında yanıltıcı olabilir. Kaldıraç (Lift), A ve B'nin birlikte görünmesinin rastlantısal eş-oluşumun ötesinde olup olmadığını gösterir. Lift > 1 anlamlı ilişki, Lift = 1 bağımsızlık, Lift < 1 olumsuz ilişki anlamına gelir. Birliktelik kurallarını çıkarmak için en bilinen algoritma Apriori'dir ve aday üretme ile budama döngüsüyle çalışır. Büyük veri kümelerinde FP-Growth (Frequent Pattern Growth) bellek açısından çok daha verimli bir alternatif sunar. ECLAT ise dikey veri formatını kullanarak kural setlerini hızla bulur. Perakende sektörünün ötesinde; web clickstream analizi, tıbbi teşhis (birlikte ortaya çıkan hastalıklar), tavsiye sistemleri, ağ güvenliği ve metin madenciliği gibi pek çok alanda etkin biçimde uygulanır. Minimum destek ve güven eşiklerinin doğru seçilmesi, anlamlı kuralların sahte pozitiflerden ayırt edilmesi açısından kritik öneme sahiptir.

hub

Association Rules (Birliktelik Kuralları)

Birliktelik kuralları (Association Rules), büyük işlem veri kümelerinde birlikte görünen öğe grupları arasındaki ilişkileri otomatik olarak keşfeden temel bir veri madenciliği tekniğidir. "Market sepeti analizi" adıyla da bilinen bu yöntem, süpermarket alışveriş verilerinden "ekmek alan müşteriler yüksek olasılıkla tereyağı da alır" gibi kalıpları ortaya çıkarır. Bir birliktelik kuralı A → B biçiminde gösterilir; A kümesinin bulunduğu işlemlerde B kümesinin de görünme eğilimini ifade eder. Bu ilişkinin gücü üç temel istatistiksel ölçütle değerlendirilir: Destek (Support), bir öğe kümesinin tüm işlemler içindeki görünme sıklığını ölçer. Düşük destekli kurallar yeterli işlem verisi olmadığından istatistiksel açıdan güvenilmezdir. Güven (Confidence), A içeren işlemlerde B'nin de yer alma oranını verir. Yüksek güven kuralın sık doğrulandığını gösterir; ancak B'nin genel popülaritesini yansıtmadığı için tek başına yorumlandığında yanıltıcı olabilir. Kaldıraç (Lift), A ve B'nin birlikte görünmesinin rastlantısal eş-oluşumun ötesinde olup olmadığını gösterir. Lift > 1 anlamlı ilişki, Lift = 1 bağımsızlık, Lift < 1 olumsuz ilişki anlamına gelir. Birliktelik kurallarını çıkarmak için en bilinen algoritma Apriori'dir ve aday üretme ile budama döngüsüyle çalışır. Büyük veri kümelerinde FP-Growth (Frequent Pattern Growth) bellek açısından çok daha verimli bir alternatif sunar. ECLAT ise dikey veri formatını kullanarak kural setlerini hızla bulur. Perakende sektörünün ötesinde; web clickstream analizi, tıbbi teşhis (birlikte ortaya çıkan hastalıklar), tavsiye sistemleri, ağ güvenliği ve metin madenciliği gibi pek çok alanda etkin biçimde uygulanır. Minimum destek ve güven eşiklerinin doğru seçilmesi, anlamlı kuralların sahte pozitiflerden ayırt edilmesi açısından kritik öneme sahiptir.

arrow_forward