Ortaya Çıkan Örüntü Madenciliği
Emerging Pattern Mining · Ayrıca şöyle bilinir: EP Mining, Contrast Pattern Mining, Differential Pattern Mining, Yükselen Örüntü Madenciliği
Ortaya Çıkan Örüntü Madenciliği (EPM), bir veri kümesinden (veya sınıftan) diğerine geçildiğinde desteği önemli ölçüde artan — veya sıfırdan sıçrayan — öğe kümelerini tanımlayan, karşılaştırmaya dayalı bir veri madenciliği tekniğidir. Dong ve Li tarafından 1999'da tanıtılan bu teknik, temel amacı iki popülasyon veya zaman dilimi arasındaki ayırt edici örüntüleri keşfetmek olan sınıflandırma, anomali tespiti ve eğilim analizi görevlerinde kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki açıkça ayrılmış veri kümeniz veya sınıfınız olduğunda ve bunları neyin ayırt ettiğine dair yorumlanabilir, özellik düzeyinde açıklamalara ihtiyacınız olduğunda Ortaya Çıkan Örüntü Madenciliği'ni kullanın — örneğin, hasta kohortlarını, ağ trafiği anlık görüntülerini veya müşteri segmentlerini zaman içinde karşılaştırmak. Yöntem, ayrık veya ayrıklaştırılmış özellikleri ve anlamlı bir destek eşiğinin belirlenebileceğini varsayar. Kutulama yapılmadan yüksek boyutlu sürekli veriler, destek tahminlerinin güvenilmez olduğu çok küçük veri kümeleri veya yorumlanabilirlikten ziyade kara kutu doğruluğunun daha önemli olduğu durumlar için daha az uygundur. Alternatifler arasında benzer karşılaştırma görevleri için karar ağaçları ve sınıf etiketi olmadığında ilişkilendirme kuralı madenciliği bulunur.
Güçlü yönler & sınırlılıklar
- Sınıf farklılıklarını doğrudan açıklayan, yüksek düzeyde yorumlanabilir, öğe kümesi düzeyinde kurallar üretir
- Sıçrayan Ortaya Çıkan Örüntüler, açık, sınıfa özel ayırt edici özellikler sağlar
- Sınır tabanlı gösterim, depolamayı ve numaralandırmayı, saf aramaya kıyasla daha yönetilebilir hale getirir
- Çok sınıflı ve zamansal eğilim keşfi senaryolarına doğal olarak genişler
- Ayrık veya önceden ayrıklaştırılmış özellikler gerektirir; sürekli değişkenler kutulanmalıdır, bu da kutu sınırlarına duyarlılık getirir
- En kötü durum arama karmaşıklığı, öğe sayısına göre üsteldir ve çok geniş veri kümelerine ölçeklenebilirliği sınırlar
- Performans, evrensel varsayılanları olmayan seçilen büyüme oranı eşiği rho ve minimum desteğe büyük ölçüde bağlıdır
- Keşfedilen örüntüler gereksiz olabilir; budama sonrası yapılmazsa, EP kümesi çok büyük ve incelenmesi zor olabilir
SSS
Ortaya Çıkan Örüntü Madenciliği, standart ilişkilendirme kuralı madenciliğinden nasıl farklıdır?
İlişkilendirme kuralı madenciliği, sınıf etiketleri veya karşılaştırma olmaksızın tek bir veri kümesinde sıkça birlikte ortaya çıkan öğe kümelerini bulur. Ortaya Çıkan Örüntü Madenciliği, bir öğe kümesinin desteğinin iki veri kümesi veya sınıf arasında ne kadar büyüdüğünü özel olarak ölçer, bu nedenle doğası gereği karşılaştırmalı ve denetimlidir. Bu, EP'leri sınıflandırma ve anomali tespiti için doğrudan kullanışlı hale getirirken, ilişkilendirme kuralları sınıfı ayırt edici bilgiyi çıkarmak için ek filtreleme gerektirir.
Sıçrayan Ortaya Çıkan Örüntü nedir ve neden faydalıdır?
Sıçrayan Ortaya Çıkan Örüntü, bir veri kümesinde sıfır desteğe ve diğerinde kesinlikle pozitif desteğe sahip olan, sonsuz büyüme oranı veren bir öğe kümesidir. Referans sınıfta tamamen bulunmadığı için, açık ayırt edici bilgi taşır. JEP'ler, her biri ilişkili sınıfının kesin bir belirteci olduğu için sınıflandırmada özellikle değerlidir, bu da onları yorumlamayı kolaylaştırır ve bir test örneğiyle eşleştiğinde oldukça güvenilir kılar.
Ortaya Çıkan Örüntü Madenciliği ikiden fazla sınıfı işleyebilir mi?
Evet. İkili iki veri kümesi formülasyonu, her sınıf için diğer tüm sınıfların birleşimine (bire karşı hepsi) veya her sınıf çifti arasında ikili olarak EP'ler madenciliği yaparak çok sınıflı ayarlara doğal olarak genişler. Ortaya çıkan her EP kümesi, o sınıfı karşılaştırma grubundan neyin ayırt ettiğini yakalar ve yeni örnekleri sınıflandırırken bir puanlama fonksiyonu tüm EP kümelerindeki oyları toplar.
Kaynaklar
- Dong, G., & Li, J. (1999). Efficient mining of emerging patterns: Discovering trends and differences. ACM SIGKDD, 43–52. DOI: 10.1145/312129.312191 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Emerging Pattern Mining. ScholarGate. https://scholargate.app/tr/machine-learning/emerging-pattern-mining
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Birliktelik Kuralı Madenciliği (Apriori)Makine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Kural Türetme (RIPPER)Makine öğrenmesi↔ karşılaştır