Ensemble Apriori Algoritması
Ensemble Apriori Algorithm (Ensemble-Based Frequent Pattern and Association Rule Mining) · Ayrıca şöyle bilinir: Ensemble Apriori, Ensemble Association Rule Mining, EAR mining, Distributed Apriori Ensemble
Ensemble Apriori Algoritması, klasik Apriori sık-kuralı madencisini, farklı veri bölümlerinde veya parametre ayarlarında birden çok Apriori örneği çalıştırıp kural kümelerini birleştirerek topluluk prensiplerini uygular. Bu yaklaşım, kapsayıcılığı artırır, minimum destek eşiğine duyarlılığı azaltır ve birliktelik kuralı madenciliğini daha büyük işlem kümelerine ölçeklendirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ensemble Apriori Algoritması, düşük küresel destek eşiğinde tam olarak taranması maliyetli olan büyük işlem veri kümelerinde birliktelik kuralı madenciliği gerektiğinde veya tek bir destek eşiğinin önemli nadir kuralları kaçırdığından şüphelenildiğinde kullanılır. Pazar sepeti analizi, sağlık hizmetleri birlikte-oluşum madenciliği ve seyrek, yüksek boyutlu işlem verilerine sahip öneri sistemleri için uygundur. Veri kümesi standart bir Apriori çalıştırması için yeterince küçükse, tek bir temiz kural kümesinin yorumlanabilirliğinin gerekli olduğu ve birleştirmenin fazlalık yarattığı veya sıralı/ardışık desenlerin hedef olduğu durumlarda (bunun yerine dizi madenciliği yöntemleri kullanın) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Hesaplamayı bölümlere dağıtarak birliktelik kuralı madenciliğini daha büyük veri kümelerine ölçeklendirir.
- Bölümler arasında farklı destek seviyelerini aynı anda keşfederek eşik duyarlılığını azaltır.
- Birden çok veri görünümünden elde edilen keşifleri birleştirerek kural kapsayıcılığını artırır.
- Apriori'nin yorumlanabilir çıktısını korur: destek ve güven metrikleriyle insan tarafından okunabilir eğer-o zaman kuralları.
- Doğal olarak paralelleştirilebilir: her bölümün Apriori çalıştırması bağımsızdır ve eşzamanlı olarak yürütülebilir.
- Küresel doğrulama adımı, çok büyük veri kümelerinde maliyetli olabilen tam bir veri kümesi taraması gerektirir.
- Yerel kural kümelerini birleştirmek, temizlemek için son işleme gerektiren fazlalık veya çelişkili kurallar üretebilir.
- Hiperparametre seçimleri (bölüm sayısı, bölüm başına eşikler) standart Apriori'ye kıyasla karmaşıklık ekler.
- Sürekli veya sıralı özellikleri yerel olarak işlemez; veriler ikili veya kategorik işlemlere ayrıştırılmalıdır.
SSS
Ensemble Apriori, standart Apriori'den nasıl farklıdır?
Standart Apriori, sabit eşiklerle tüm veri kümesi üzerinde bir kez çalışır. Topluluk varyantı, veri bölümlerinde veya değişen eşiklerle birden çok Apriori örneği çalıştırır, ardından sonuçları birleştirir ve küresel olarak doğrular. Bu, kural kapsayıcılığını genişletir ve ölçeklenebilirliği artırır ancak bir birleştirme ve doğrulama adımı ekler.
Anti-monotonluk özelliği nedir ve neden önemlidir?
Anti-monotonluk, bir öğe kümesi seyrekse, onun tüm üst kümelerinin de seyrek olması gerektiği anlamına gelir. Apriori, arama alanını budamak için bundan yararlanır: küçük bir öğe kümesi destek eşiğini geçemezse, onu içeren daha büyük hiçbir öğe kümesinin kontrol edilmesi gerekmez, bu da incelenen adayların sayısını önemli ölçüde azaltır.
Bölüm sayısını nasıl seçmeliyim?
Pratik bir başlangıç noktası, her alt kümenin güvenilir yerel destek tahminleri üretecek kadar büyük olmasını sağlamak için bölümlemektir — tipik olarak bölüm başına en az birkaç bin işlem. Daha fazla bölüm kapsayıcılığı artırır ancak birleştirme ve doğrulama maliyetini de artırır. Kural kalitesini değerlendirmek için tutulmuş bir işlem kümesi üzerinde çapraz doğrulama yapın.
Ne zaman FP-Growth yerine Ensemble Apriori'yi tercih etmeliyim?
FP-Growth, veri kümesini bir ağaç yapısında sıkıştırarak aday üretimini tamamen ortadan kaldırır, bu da onu yoğun veri kümelerinde Apriori tabanlı yaklaşımlardan daha hızlı hale getirir. Tam veri kümesinin belleğe rahatça sığdığı ve tek, tutarlı bir kural kümesi istediğinizde FP-Growth'u tercih edin. Veri kümesinin ölçek için bölümlenmesi gerektiğinde veya çeşitli eşik keşfinin öncelikli olduğu durumlarda Ensemble Apriori'yi kullanın.
Madenciliği yapılan kuralların kalitesini nasıl değerlendiririm?
Destek ve güven gereklidir ancak yeterli değildir. Her zaman lift'i (1'in oldukça üzerinde değerler şansın ötesinde gerçek birlikte-oluşumu gösterir) hesaplayın ve leverage veya conviction'ı göz önünde bulundurun. Lift'i 1'e yakın olan yüksek güvenli kurallar önemsizdir ve atılmalıdır. Yüksek lift, anlamlı destek ve alan makuliyeti olan kurallara odaklanın.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble Apriori Algorithm (Ensemble-Based Frequent Pattern and Association Rule Mining). ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-apriori-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Apriori AlgoritmasıMakine öğrenmesi↔ karşılaştır
- Bagging (Önyükleme Toplama)Makine öğrenmesi↔ karşılaştır
- YükseltmeMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır