Aktif Öğrenme İlişki Kuralları
Active Learning for Association Rule Mining · Ayrıca şöyle bilinir: interactive association rule mining, active rule mining, query-driven association rule discovery, user-guided association rules
Aktif öğrenme ilişki kuralları, aktif öğrenmenin iteratif sorgulama ve etiketleme döngüsünü ilişki kuralı madenciliği ile birleştirerek, bir insan uzmanın keşif sürecini etkileşimli olarak yönlendirmesine olanak tanır. Sabit bir destek-güven eşiğinin üzerindeki tüm kuralları tüketici düzeyde listelemek yerine, sistem en bilgilendirici kural adaylarını seçer ve öznel olarak faydalı örüntülere odaklanarak kullanıcının ilginçliklerini yargılamasını ister.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İşlem veritabanının büyük olduğu, eşik üzerindeki kural sayısının yönetilemez olduğu (binlerce ila milyonlarca) ve madencilik oturumu sırasında madencilik oturumu sırasında iteratif geri bildirim sağlayabilen bir alan uzmanının mevcut olduğu durumlarda aktif öğrenme ilişki kurallarını kullanın. Özellikle bilgi keşfi bağlamlarında — klinik bilişim, perakende sepet analizi veya bilimsel hipotez üretimi — istatistiksel anlamlılık kadar öznel alaka düzeyinin de önemli olduğu durumlarda değerlidir. Etkileşimli bir uzman mevcut olmadığında, tam kural kümesi aşağı akış otomasyonu için gerektiğinde veya işlem veritabanı tüketici düzeyde listelemenin önemsiz olduğu kadar küçük olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Arama alanını öznel olarak ilginç örüntülere odaklayarak kullanıcının incelemesi gereken kural sayısını önemli ölçüde azaltır.
- Evrensel bir ilginçlik ölçüsü dayatmak yerine bireysel analist tercihlerine uyum sağlar.
- Aday üretim adımı olarak herhangi bir temel kural madencisi (Apriori, FP-growth, rastgele örnekleme) ile iyi uyum sağlar.
- Kullanıcının önceden destek ve güven eşiklerini belirtmesini gerektirmeden iteratif keşfi destekler.
- Analisti aksi takdirde bunaltacak büyük kural alanlarına ölçeklenir.
- Oturum boyunca etkileşimli bir insan uzmanı gerektirir, bu da tam otomatik işlem hatları için pratik değildir.
- Sonuçların kalitesi, etiketleyen uzmanın tutarlılığına ve alan bilgisine büyük ölçüde bağlıdır.
- Soğuk başlangıç sorunu: tercih modeli başlangıçta bilgilendirici değildir, bu nedenle ilk sorgular iyi hedeflenmeyebilir.
- Yaklaşım, yığın ilişki kuralı madenciliğinden daha az yerleşiktir, daha az hazır uygulamaya sahiptir.
- Değerlendirme doğası gereği özneldir ve yalnızca istatistiksel yöntemlerden daha zor ölçülür.
SSS
Kullanıcının cevaplaması gereken kaç sorgu vardır?
Uygulamada, çalışmalar kullanışlı tercih modellerinin yalnızca 20 ila 50 sorgu ile öğrenilebileceğini bildirmektedir, ancak bütçe kural alanının çeşitliliğine ve uzmanın tutarlılığına bağlıdır.
Bu, standart ilişki kuralı madenciliğinin yerini mi alıyor?
Hayır. Bir tamamlayıcıdır: standart madencilik (Apriori, FP-growth), adayları üretmek için tipik olarak kullanılır ve aktif öğrenme döngüsü daha sonra bunları uzman tercihlerine göre filtreler ve sıralar. Tam kural kümesi hala dahili olarak üretilir.
Farklı uzmanlar ilginç kurallar konusunda anlaşamazsa ne olur?
Aktif öğrenme ilişki kuralları oturum başına tek bir tercih modeli öğrenir. Birden fazla uzman dahil olduğunda, tercih modelleri birleştirilebilir (örneğin, etiketler üzerinden çoğunluk oyuyla) veya ayrı oturumlar çalıştırılabilir ve en üst sıralarda yer alan kuralları birleştirilebilir.
İlginçlik, güven veya kaldırmadan nasıl farklıdır?
Güven ve kaldırma, verilerden hesaplanabilen nesnel istatistiksel ölçümlerdir. Öznel ilginçlik kullanıcıya bağlıdır — bir kural yüksek kaldırmaya sahip olabilir ancak bir uzman için önemsiz derecede bariz ve dolayısıyla ilginç olmayabilir veya mütevazı bir kaldırmaya sahip olabilir ancak yeni ve eyleme geçirilebilir olabilir.
Bunu gerçek zamanlı olarak etiketleyen bir uzman olmadan kullanabilir miyim?
Önceden toplanmış tercih etiketleri mevcutsa (örneğin, önceki bir oturumdan), tercih modeli çevrimdışı eğitilebilir ve yığın modunda uygulanabilir, ancak bu, gerçek zamanlı geri bildirimin uyarlanabilir faydasını kaybeder.
Kaynaklar
- Dzyuba, V., & van Leeuwen, M. (2017). Interactive Discovery of Interesting Association Rules by Subjective Interestingness. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Springer. link ↗
- Boley, M., Lucchese, C., Paurat, D., & Gartner, T. (2013). Direct Local Pattern Sampling by Efficient Two-Step Random Procedures. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 582–590). ACM. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-association-rules
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Apriori AlgoritmasıMakine öğrenmesi↔ karşılaştır
- Birliktelik KurallarıMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Yarı denetimli Birliktelik KurallarıMakine öğrenmesi↔ karşılaştır