Bayesian İlişki Kuralları
Bayesian Association Rule Mining · Ayrıca şöyle bilinir: Bayesian rule learning, probabilistic association rules, Bayesian itemset mining, BAR
Bayesian İlişki Kuralları, kurallar üzerine bir önsel olasılık dağılımı yerleştirerek ve veriler verildiğinde bu kuralların sonsal olasılıklarına göre puanlayarak klasik ilişki kuralı madenciliğini genişletir. Ham destek ve güven eşiklerine göre eşikleme yapmak yerine, bu Bayesçi çerçeve doğal olarak karmaşıklığı cezalandırır, çoklu karşılaştırmaları düzeltir ve işlemsel veya kategorik veri kümeleri boyunca kalibre edilmiş olasılıksal kural güçleri üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İşlemsel veya kategorik tablo verilerinde, özellikle öğe uzayı büyükse ve çoklu karşılaştırmalardan kaynaklanan sahte keşif riski yüksekse, eş-oluşum örüntülerini çıkarmak için Bayesian İlişki Kuralları'nı kullanın. Özellikle belirsizliğin iletilmesinin önemli olduğu ve keyfi eşik seçimlerinin gerekçelendirilmesinin zor olduğu araştırma veya klinik bağlamlarda uygundur. Hesaplama hızı baskın olduğunda ve olasılıksal kalibrasyon gerekmediğinde klasik ilişki kurallarını (Apriori, FP-growth) tercih edin. Doğal bir ikilileştirme olmadan sürekli verilerde, Bayesçi sonsal hesaplamanın yaklaşımlar olmadan çözülemez hale geldiği kadar büyük öğe uzaylarında veya makul bir önselin belirtilemediği durumlarda kaçının.
Güçlü yönler & sınırlılıklar
- Şans eseri eşiklere ulaşan kuralları cezalandırarak çoklu karşılaştırmaları doğal olarak kontrol eder, yanlış keşif oranlarını azaltır.
- İkili geçme/kalmama kural seçimi yerine kalibre edilmiş olasılıksal kural güçleri ve güven aralıkları üretir.
- Önsel belirtimi, alan bilgisinin dahil edilmesine olanak tanır, uzman güdümlü analizde kural kalitesini artırır.
- Keyfi destek ve güven eşiklerini önceden belirtmeye gerek yoktur; sonsal puan kanıtı ve karmaşıklığı otomatik olarak dengeler.
- Bayesçi model karşılaştırması (Bayes faktörleri), rakip kural kümelerini karşılaştırmak için ilkeli bir yol sağlar.
- Büyük kural uzayları üzerindeki sonsal hesaplama hesaplama açısından yoğundur ve genellikle yaklaşım gerektirir (MCMC veya varyasyonel yöntemler).
- Sonuçlar önselin seçimine bağlıdır; kötü belirtilmiş bir önsel, gerçekte faydalı kuralları bastırabilir veya sahte olanları yükseltebilir.
- Klasik ilişki kuralı yöntemlerine göre standart veri madenciliği araç takımlarında daha az yaygın olarak uygulanmıştır, daha özel kod gerektirir.
- Yorumlama, Bayesçi akıl yürütme hakkında aşinalık gerektirir, bu da uygulamalı iş bağlamlarında erişilebilirliği sınırlayabilir.
SSS
Bayesian İlişki Kuralları, standart Apriori veya FP-growth'tan nasıl farklıdır?
Standart Apriori ve FP-growth, test edilen büyük aday kural sayısı için düzeltme olmaksızın, sabit destek ve güven kesme noktalarıyla kuralları seçer. Bayesian İlişki Kuralları, her kuralı sonsal olasılığına göre puanlar, yalnızca şans eseri etkileyici görünen kuralları otomatik olarak cezalandırır ve önceden eşik belirleme ihtiyacını ortadan kaldırır.
Hangi önseli kullanmalıyım?
Tekdüze bir önsel doğal bir başlangıç noktasıdır. Uzunluk cezalandıran önseller — daha uzun kurallara daha düşük önsel olasılık atayan — faydalı bir düzenleyici görevi görür. Alan bilgisi mevcutsa (örneğin, bilinen öğe eş-oluşum oranları), bilgilendirici önseller sonuçları önemli ölçüde iyileştirebilir. Alternatif önseller altında sıralamaların nasıl değiştiğini her zaman bildirin.
Bayesçi kural madenciliği büyük veri kümeleri için hesaplama açısından fizibil midir?
Tüm aday kurallar üzerindeki doğrudan sonsal sayım, büyük öğe uzayları için çözülemez. Pratikte, Bayesçi kural madenciliği, çalışma sürelerini yönetilebilir kılmak için verimli aday üretimi (Apriori, FP-growth) ve yaklaşık sonsal hesaplama (MCMC veya varyasyonel çıkarım) ile birleştirilir.
Bayesian İlişki Kuralları nedensel ilişkiler kurabilir mi?
Hayır. Klasik ilişki kuralları gibi, Bayesçi kurallar da olasılıksal eş-oluşumu, nedenselliği değil, yakalar. A'nın B'yi ima etmesi için yüksek sonsal olasılık, verilerin eş-oluşumlarını güçlü bir şekilde desteklediği anlamına gelir, A'nın B'ye neden olduğu anlamına gelmez. Nedensel çıkarım ek varsayımlar, çalışma tasarımı veya özel nedensel modelleme yöntemleri gerektirir.
Klasik ilişki kurallarını Bayesçi versiyonuna ne zaman tercih etmeliyim?
Hesaplama hızı birincil kısıtlama olduğunda, öğe uzayı yönetilebilir olduğunda veya kitle Bayesçi akıl yürütmeye aşina olmadığında, klasik Apriori veya FP-growth daha basit ve daha hızlıdır. Bayesçi yöntemler, yanlış keşif kontrolü ve belirsizlik ölçümünün önemli olduğu, özellikle bilimsel veya klinik uygulamalarda fayda sağlar.
Kaynaklar
- Heckerman, D., Geiger, D., & Chickering, D. M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20(3), 197–243. DOI: 10.1007/BF00994016 ↗
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 1215, 487–499. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/tr/machine-learning/bayesian-association-rules
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Apriori AlgoritmasıMakine öğrenmesi↔ karşılaştır
- Birliktelik KurallarıMakine öğrenmesi↔ karşılaştır
- Bayesçi Gauss Karışım ModeliMakine öğrenmesi↔ karşılaştır
- Bayesian Naive BayesMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Yarı denetimli Birliktelik KurallarıMakine öğrenmesi↔ karşılaştır