Birliktelik Kuralı Madenciliği (Apriori)
Association Rule Mining (Apriori) · Ayrıca şöyle bilinir: Market Basket Analysis, Frequent Itemset Mining, Birliktelik Kuralı Madenciliği, Itemset Association Analysis
Birliktelik Kuralı Madenciliği, işlem veritabanlarındaki öğeler arasındaki eş-görülme örüntülerini keşfeden denetimsiz bir veri madenciliği tekniğidir. Agrawal, Imieliński ve Swami tarafından 1993'te resmi olarak tanıtılan ve Agrawal ile Srikant tarafından 1994'te dönüm noktası niteliğindeki Apriori algoritmasıyla geliştirilen bu yöntem, X ⇒ Y biçimindeki kuralları belirler — bu, X öğe kümesini içeren işlemlerin aynı zamanda Y öğe kümesini de içerme eğiliminde olduğu anlamına gelir — ve bu kurallar destek, güvenilirlik ve kaldırma (lift) ile ölçülür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Birliktelik Kuralı Madenciliği, önceden tanımlanmış bir hedef değişken olmaksızın eş-görülme örüntülerini keşfetmenin amaçlandığı büyük işlem veritabanları için uygundur. İşlemler başına öğelerin ikili (mevcut/mevcut değil) olduğunu varsayar. Pazar sepeti analizi, öneri sistemleri, web tıklama akışı analizi ve tıbbi eş-tanı keşfi için uygundur. Sürekli veya sıralı veriler için önceden ayrıştırılmadıkça, çok yüksek boyutluluğa sahip veri kümeleri için (üstel aday uzayı) veya nedensel çıkarım yerine ilişkilendirici çıkarımın gerektiği durumlar için uygun değildir. Alternatifler arasında daha hızlı sık-öğe kümesi numaralandırması için FP-Growth ve zamansal sıra önemli olduğunda dizi madenciliği yer alır.
Güçlü yönler & sınırlılıklar
- Tamamen denetimsiz: etiketli veri veya önceden tanımlanmış hedef gerekmez.
- Yorumlanabilir çıktı: kurallar, nicel destek ve güvenilirliğe sahip insan tarafından okunabilir eğer-o zaman ifadeleridir.
- Apriori budaması yoluyla ölçeklenebilir; FP-Growth varyantı veritabanı taramalarını tamamen ortadan kaldırır.
- Alana özgü değil: perakende, sağlık, web analizi ve biyoinformatik alanlarında uygulanır.
- Üstel aday uzayı: kural sayısı, farklı öğelerin sayısıyla kombinatoryal olarak artar.
- Destek-güvenilirlik çerçevesi, öğe taban oranları önemli ölçüde değiştiğinde yanıltıcı kurallara yol açabilir (kaldırma ayarlaması gereklidir).
- İkili işlem modeli, sürekli değişkenlerin ayrıştırılmasını gerektirir ve bilgi kaybına neden olur.
- Yüksek minimum destek eşikleri nadir ama değerli kuralları kaçırır; düşük eşikler binlerce önemsiz kural üretir.
SSS
Destek, güvenilirlik ve kaldırma (lift) arasındaki fark nedir?
Destek, bir öğe kümesinin veri kümesinde bir bütün olarak ne sıklıkla göründüğünü ölçer. Güvenilirlik, ardılın (consequent) öncül (antecedent) verildiğindeki koşullu olasılığını ölçer. Kaldırma, güvenilirliği ardılın marjinal frekansına göre normalleştirerek, eş-görülmenin bağımsızlık altında beklenenden daha fazla olup olmadığını ortaya çıkarır. Sağlam kural değerlendirmesi için üç metrik birlikte gereklidir.
Apriori algoritması hesaplama maliyetini nasıl azaltır?
Apriori, anti-monotonik özelliğinden yararlanır: bir öğe kümesi sık görülmüyorsa, tüm üst kümeleri de sık görülmemelidir. Tüm alt kümeleri sık olarak doğrulanmamış herhangi bir adayı atarak, algoritma sayım yapmadan önce arama alanının büyük bölümlerini budar ve kaba kuvvet numaralandırmasına kıyasla gereken veritabanı geçiş sayısını önemli ölçüde azaltır.
Ne zaman Apriori yerine FP-Growth kullanmalıyım?
FP-Growth, işlem veritabanını kompakt bir FP-ağacı yapısına sıkıştırdığı ve açık adaylar üretmeden örüntüleri doğrudan çıkardığı için, veri kümesi büyük olduğunda ve minimum destek eşiği düşük olduğunda tercih edilir. Bu, tekrarlanan tam veritabanı taramalarını ortadan kaldırarak, yoğun veri kümelerinde ve çok sayıda sık görülen öğe kümesine sahip veri kümelerinde Apriori'den önemli ölçüde daha hızlı olmasını sağlar.
Kaynaklar
- Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. ACM SIGMOD, 207–216. DOI: 10.1145/170035.170072 ↗
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. Proceedings of the 20th VLDB Conference, 487–499. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Association Rule Mining (Apriori). ScholarGate. https://scholargate.app/tr/machine-learning/association-rule-mining
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Biçimsel Kavram Analizi (FCA)Esnek hesaplama↔ karşılaştır
- K-Means KümelemeMakine öğrenmesi↔ karşılaştır
- Kural Türetme (RIPPER)Makine öğrenmesi↔ karşılaştır