Apriori Algoritması
Apriori Algorithm for Association Rule Mining · Ayrıca şöyle bilinir: Apriori, frequent itemset mining, ARL-Apriori, Apriori association mining
Agrawal ve Srikant tarafından 1994 yılında tanıtılan Apriori algoritması, işlem veritabanlarında sık geçen öğe kümelerini ve birliktelik kurallarını keşfetmek için temel yöntemi oluşturur. Destek (support) değerinin anti-monoton özelliğinden yararlanarak, kullanıcı tarafından belirlenen minimum eşik değerinin üzerinde birlikte ortaya çıkan tüm öğe kombinasyonlarını verimli bir şekilde listelemek için genişlik-öncelikli, seviyeli bir arama kullanır ve ardından bu örüntülerden yorumlanabilir eğer-o zaman kuralları çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+3 tane daha
Ne zaman kullanılır
Amaç, işlem veya ikili öğe-mevcudiyet verilerinde – pazar sepeti analizi, anket öğesi birlikte onaylama, tıbbi teşhis birlikte ortaya çıkma veya metin terimi ilişkisi – birlikte ortaya çıkma örüntülerini veya eğer-o zaman ilişkilerini keşfetmek olduğunda Apriori'yi kullanın. Çıktı kurallarının şeffaflığı ve yorumlanabilirliğinin öncelikli olduğu orta büyüklükteki veri kümeleri için uygundur. İşlem veritabanı çok büyükse (milyonlarca satır ve geniş öğe katalogları), çünkü tekrarlanan tam veritabanı taramaları onu FP-Growth'a kıyasla yavaşlatır; bu durumlarda FP-Growth tercih edilir. Ayrıca, önceden ayrıştırılmamış sürekli sayısal veriler için uygun değildir ve yönlülük veya nedensellik modellemez.
Güçlü yönler & sınırlılıklar
- Destek, güven ve lift değerleri nicelendirilmiş, tamamen yorumlanabilir eğer-o zaman kuralları üretir.
- Anti-monoton budama özelliği, aksi takdirde üstel olan bir aramayı çözülebilir hale getirir.
- Verinin önceden etiketlenmesini gerektirmez; tamamen denetimsizdir.
- Eşik parametreleri (destek, güven), analiste kural granülerliği üzerinde doğrudan kontrol sağlar.
- Çıktı kuralları eyleme geçirilebilir ve algoritmik geçmişi olmayan teknik olmayan paydaşlara iletilebilir.
- Temel, yoğun atıf alan ve hemen hemen her büyük veri madenciliği kütüphanesinde uygulanan bir yöntemdir.
- Tekrarlanan tam veritabanı taramaları, büyük veri kümelerinde yavaş olmasına neden olur – ölçekte genellikle FP-Growth tercih edilir.
- Destek eşiğini düşürmek, yorumlamayı zorlaştıran üstel sayıda aday öğe kümesi ve kural üretebilir.
- Öğeler arasındaki zamansal sırayı, yönlülüğü veya nedensel ilişkileri yakalamaz.
- Sonuçlar, alan bilgisi veya sistematik ayarlama gerektiren destek ve güven eşiklerinin seçimine duyarlıdır.
SSS
Destek, güven ve lift arasındaki fark nedir?
Destek, öğe kümesini içeren tüm işlemlerin oranıdır – yaygınlığı ölçer. Güven, öncül verildiğinde sonucun ortaya çıkma koşullu olasılığıdır – kural güvenilirliğini ölçer. Lift, gözlemlenen güvenin sonucun taban çizgi frekansına oranıdır; 1'in üzerindeki bir lift, öğe popülerliğinden kaynaklanan bir tesadüf yerine gerçek bir pozitif ilişkiyi gösterir.
Apriori yerine ne zaman FP-Growth seçmeliyim?
FP-Growth, veritabanını bir ağaç yapısına sıkıştırır ve tekrarlanan tam taramalar olmadan madencilik yapar, bu da onu büyük veri kümelerinde veya minimum destek düşük olduğunda önemli ölçüde daha hızlı hale getirir. Apriori'nin anlaşılması ve uygulanması daha kolaydır ve çalışma zamanının darboğaz olmadığı küçük ila orta ölçekli veri kümelerinde iyi çalışır.
Minimum destek ve güveni nasıl seçerim?
Evrensel bir kural yoktur. Yaygın uygulama, algoritmayı birkaç destek seviyesinde çalıştırmak, sık geçen öğe kümelerinin sayısını destekle çizmek ve eğrinin dirsek kısmında bir değer seçmektir. Güven daha sonra iş veya araştırma sorusuna göre ayarlanır – kritik görev kuralları için daha yüksek güven, keşifsel keşif için daha düşük güven. En iyi kuralları her zaman alan uzmanlığına göre doğrulayın.
Apriori sayısal veya sürekli verileri işleyebilir mi?
Apriori, ikili öğe-mevcudiyet verileri gerektirir. Sürekli değişkenler, öğe olarak kodlanmadan önce gruplara ayrılmalıdır (örneğin, yaş düşük/orta/yüksek olarak). Kötü ayrıştırma, keşfedilen kuralları ciddi şekilde bozabilir, bu nedenle gruplama stratejisi dikkatli düşünülmeyi hak eder.
Apriori öğeler arasında nedensellik anlamına mı geliyor?
Hayır. Birliktelik kuralları nedenselliği veya yönlülüğü değil, birlikte ortaya çıkmayı yakalar. 'Ekmek → tereyağı' kuralı, aynı sepette sık sık göründükleri anlamına gelir; bu, ekmek almanın birinin tereyağı almasına neden olduğu anlamına gelmez, ne de ilişkinin herhangi bir nedensel anlamda asimetrik olduğu anlamına gelir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Apriori Algorithm for Association Rule Mining. ScholarGate. https://scholargate.app/tr/machine-learning/apriori-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Birliktelik KurallarıMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- K-ortalama KümelemeMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır