Topluluk İlişkilendirme Kuralları
Ensemble Association Rule Mining · Ayrıca şöyle bilinir: Ensemble ARM, aggregated association rules, combined frequent-pattern mining, multi-run association rule learning
Topluluk İlişkilendirme Kuralları, ilişkilendirme kuralı madenciliğine topluluk öğrenme prensiplerini uygular: farklı veri alt örneklerinden veya çeşitli parametrelerle birden çok kural kümesi keşfedilir, ardından daha kararlı ve eksiksiz bir eş-oluşum örüntüsü kümesi üretmek üzere birleştirilir ve ağırlıklandırılır. Yaklaşım, destek ve güven eşik seçimlerine duyarlılığı azaltır ve gürültülü işlem verilerinde sağlamlığı artırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek çalıştırmalı madencilik kararsız veya yüksek oranda eşik-hassasiyetli sonuçlar verdiğinde veya veri kalitesi düşük olduğunda ve gürültü bastırmanın önemli olduğu durumlarda topluluk ilişkilendirme kurallarını kullanın. İşlem veritabanının anlamlı bir şekilde alt örneklemeye yetecek kadar büyük olduğu - tipik olarak yeterli öğe eş-oluşumuna sahip birkaç yüz işlem - durumlarda da uygundur. Küçük, sabit bir kural kümesinin yorumlanabilirliğinin gerekli olduğu ve toplama işleminin ek karmaşıklığının haklı çıkarılamayacağı durumlarda kaçının; bu gibi durumlarda, temiz veriler üzerinde dikkatlice ayarlanmış tek bir Apriori veya FP-Growth çalıştırması tercih edilir. İkili veya kategorik öğelere ayrıştırma yapılmadan sürekli sayısal verilere uygulamayın.
Güçlü yönler & sınırlılıklar
- Keyfi destek ve güven eşik seçimlerine duyarlılığı azaltır.
- Yalnızca bir alt örnekte görünen gürültü kaynaklı kuralları bastırır.
- Farklı veri bölmelerinde daha kararlı ve tekrarlanabilir kural kümeleri üretir.
- Tek bir katı eşik çalıştırmasının kaçıracağı düşük destekli ancak tutarlı kuralları keşfedebilir.
- Topluluk güven puanları, kural güvenilirliğinin doğal bir sıralamasını sağlar.
- Özellikle büyük öğe uzaylarında, tek bir madencilik çalıştırmasına göre önemli ölçüde daha yüksek hesaplama maliyeti.
- Toplama mantığı karmaşıklık katar ve topluluk filtrelemesi için eşik seçimleri hala yargı gerektirir.
- Birleştirilmiş bir kural kümesini yorumlamak, tek bir temiz çalıştırma çıktısını yorumlamaktan daha zordur.
- Anlamlı alt örnekleme, yeterince büyük işlem veritabanları gerektirir; çok küçük veri kümeleri katlar arasında tutarsız kural kümeleri üretebilir.
SSS
Tipik olarak kaç topluluk çalıştırması gereklidir?
Kararlılık genellikle yaklaşık 20-50 çalıştırmaya kadar önemli ölçüde iyileşir ve bunun ötesinde düzleşir. 30 çalıştırma ile başlayın ve daha fazlasını eklemeden önce kural frekans dağılımlarının kararlı hale gelip gelmediğini kontrol edin.
Bootstrap örneklemesi mi yoksa rastgele eşik varyasyonu mu kullanmalıyım?
Bootstrap örneklemesi (yerine koyarak işlem çekme), en yaygın stratejidir ve doğrudan bagging'e paraleldir. Çalıştırmalar boyunca eşikleri değiştirmek, destek-güven takas alanını keşfeden tamamlayıcı bir stratejidir; her ikisi de birleştirilebilir.
Kuralları tutmak için topluluk düzeyinde güven eşiğini nasıl seçerim?
Yaygın bir sezgisel yöntem, en az %50 çalıştırmada görünen kuralları tutmaktır. Daha temiz veriler için yukarı, çok gürültülü veriler için ise çalıştırmalar arasında yüksek varyasyon beklediğiniz yerlerde aşağı ayarlayın.
Topluluk ARM, tam veri kümesindeki tek bir FP-Growth çalıştırmasından daha mı iyidir?
Temiz, büyük, kararlı veri kümelerinde tek tam veri çalıştırması genellikle yeterlidir. Topluluk ARM, veriler gürültülü olduğunda, sonuçların farklı zaman pencerelerinde tekrarlanabilir olması gerektiğinde veya eşik hassasiyetinin bir endişe olduğu durumlarda net değer katar.
Toplulukta herhangi bir ilişkilendirme kuralı madencisi kullanabilir miyim, yoksa Apriori mi olmak zorunda?
Herhangi bir madenci çalışır - Apriori, FP-Growth, ECLAT veya diğerleri. FP-Growth, büyük veritabanlarında hızı nedeniyle pratikte tercih edilir, bu da birçok topluluk çalıştırmasını hesaplama açısından fizibil hale getirir.
Kaynaklar
- Domingos, P. (1999). MetaCost: A general method for making classifiers cost-sensitive. Proceedings of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 155–164. link ↗
- Rymon, R. (1992). Search through systematic set enumeration. Proceedings of the 3rd International Conference on Principles of Knowledge Representation and Reasoning, 539–550. — foundational work on systematic enumeration used in ensemble aggregation of frequent itemsets. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-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
- Bagging (Önyükleme Toplama)Makine öğrenmesi↔ karşılaştır
- YükseltmeMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır