Birliktelik Kuralları

Evrensel bir kural yoktur. Önce bireysel öğelerin destek dağılımını inceleyerek başlayın, ardından minimum desteği ilgilenilen örüntüleri yakalayacak kadar düşük, ancak öğe kümelerinin en azından anlamlı bir mutlak sayıda işlemde görünmesini sağlayacak kadar yüksek ayarlayın. Minimum güven için 0.6–0.8 yaygın bir başlangıç aralığıdır, ancak alan bilgisi ve kaldıraç tabanlı sıralama nihai seçimi yönlendirmelidir.

Güven, X içeren işlemlerde Y'nin ne sıklıkla X'i takip ettiğini ölçer, ancak Y'nin temel oranını göz ardı eder. Kaldıraç, güveni Y'nin marjinal desteğine bölerek bunu düzeltir. Yüksek güvene sahip ancak kaldıraç 1'e yakın olan bir kural, Y'nin yaygın olduğunu bilmenin ötesinde çok az bilgi ekler. Gerçekten önemsiz olmayan birliktelikleri filtrelerken kaldıraç önceliklendirilmelidir.

Öncelikle tanımlayıcı ve keşifseldir, tahmin edici değildir. Sabit bir sonuç değişkenine sahip kuralları sınıflandırma için kullanmak mümkün olsa da - asosyatif sınıflandırma olarak adlandırılan bir teknik - standart birliktelik kuralı madenciliği tahmin edici bir kayıp fonksiyonunu optimize etmez ve etiketlenmiş bir sonuç mevcut olduğunda denetimli modellerin yerini almamalıdır.

Yalnızca ayrıştırmadan sonra. Sürekli değişkenler, ikili öğeler olarak kodlanmadan önce kategorik aralıklara (örneğin, yaş grupları, beşli gruplar) gruplandırılmalıdır. Gruplama sınırlarının seçimi, hangi kuralların ortaya çıktığını önemli ölçüde etkiler, bu nedenle gruplama kararları teorik olarak motive edilmeli ve şeffaf bir şekilde raporlanmalıdır.

Korelasyon (örneğin, Pearson'ın r'si), iki sürekli değişken arasındaki doğrusal ilişkiyi ölçer. Birliktelik kuralları, işlem verilerindeki ikili öğe kümeleri - herhangi bir boyut kombinasyonu - arasındaki eş-görünüm örüntülerini keşfeder. Metrikler (destek, güven, kaldıraç) moment tabanlı olmaktan çok sıklık tabanlıdır ve çıktı, tek bir sayısal katsayı yerine insan tarafından okunabilir BİR EĞER–İSE kural kümesidir.