Açıklanabilir İlişki Kuralları
Explainable Association Rules Mining · Ayrıca şöyle bilinir: XAI association rules, interpretable association rules, rule-based explanation mining, transparent association rule learning
Açıklanabilir İlişki Kuralları, ilişki kuralı madenciliğinin doğası gereği sembolik, eğer-o zaman yapısından yararlanarak veri örüntüleri veya kara kutu model kararları için insan tarafından okunabilir açıklamalar sunar. Her kural, destek, güvenilirlik ve kaldırma değerleriyle birlikte öncülünü ve sonucunu açıkça belirttiğinden, çıktılar ikincil bir sonradan atanan vekil gerektirmeden doğal olarak yorumlanabilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hedef kitle, özellikle kararların denetlenebilir olması gereken sağlık, finans veya perakende uyumluluğu gibi alanlarda veri örüntüleri veya model tahminleri için sembolik, insan tarafından okunabilir gerekçeler gerektirdiğinde Açıklanabilir İlişki Kuralları'nı seçin. İşlemsel veya ikili özellik verileri için, birlikte ortaya çıkma örüntülerinin anlamlı olduğu durumlarda iyi uyum sağlar. Sürekli yalnızca sayısal veriler için ayrıştırma yapılmadan, küresel katsayı düzeyinde istatistiksel çıkarım gerektiren görevler için veya veri kümesinin çok küçük olduğu (birkaç yüzden az işlem) durumlarda, destek eşiklerinin güvenilmez hale gelmesi nedeniyle daha az uygundur. Bunu nedensel çıkarımla karıştırmayın — kurallar nedenselliği değil, korelasyonu yakalar.
Güçlü yönler & sınırlılıklar
- Çıktılar, ikincil yorumlama gerektirmeyen, doğal olarak insan tarafından okunabilir eğer-o zaman ifadeleridir.
- Modelden bağımsız varsayımlar: kurallar herhangi bir veri kümesinden türetilebilir veya herhangi bir kara kutu sınıflandırıcısı için vekil olarak kullanılabilir.
- Destek, güvenilirlik ve kaldırma, her açıklama için şeffaf, kolayca iletilebilen kalite metrikleri sağlar.
- FP-growth gibi verimli algoritmalarla büyük işlemsel veri kümelerine ölçeklenir.
- Dağılım varsayımları olmaksızın karışık kategorik ve ikili verilere uygulanabilir.
- Finans ve sağlık gibi alanlarda açıklanabilirlik için düzenleyici gereksinimleri doğrudan karşılar.
- Sürekli özellikler madencilikten önce ayrıştırılmalıdır, bu da sonuçları etkileyebilecek gruplama kararları getirir.
- Kural sayısı son derece büyük olabilir; agresif budama gerçekten faydalı örüntüleri atabilir.
- Kurallar nedenselliği değil, korelasyonu yakalar — sonuçlar ek tasarım olmadan nedensel olarak yorumlanamaz.
- Kural başına kapsama alanı sınırlıdır; bazı örnekler minimum destek eşiğinin üzerinde hiçbir kuralla eşleşmeyebilir.
- Özellikle karmaşık doğrusal olmayan sınıflandırıcılar için hedef bir kara kutu modele olan doğruluk genellikle kusurludur.
SSS
İlişki kuralları ek adımlar olmadan zaten açıklanabilir mi?
Evet — standart ilişki kuralları, ikincil bir yorumlama gerektirmeyen sembolik eğer-o zaman çıktıları üretir. 'Açıklanabilir' ifadesi, bu özelliğin özellikle kuralların yalnızca örüntü keşfi için değil, kara kutu model kararlarını açıklamak için vekil olarak kullanıldığı bir XAI bağlamında kasıtlı kullanımını belirtir.
Sürekli özelliklerle nasıl başa çıkarım?
Madencilikten önce onları gruplara ayırın (örneğin, eşit genişlikli, eşit sıklıkta veya alana özgü kesimler). Gruplama seçimi, hangi kuralların bulunduğunu önemli ölçüde etkileyebilir, bu nedenle farklı gruplama yapılandırmaları arasında bir hassasiyet analizi önerilir.
Ne kadar destek ve güvenilirlik eşiği kullanmalıyım?
Evrensel bir cevap yok: destek yaklaşık 0.01–0.05 ve güvenilirlik yaklaşık 0.5–0.8 ile başlayın, ardından üretilen kural sayısı ve pratik alaka düzeylerine göre ayarlayın. Seyrek veri kümelerinde, çok düşük destek eşikleri çok fazla sahte kural üretir.
İlişki kuralları açıklanabilirlik için LIME veya SHAP'ın yerini alabilir mi?
LIME ve SHAP'ı ikame etmek yerine tamamlarlar. İlişki kuralları küresel, nüfus düzeyinde örüntü açıklamaları sağlarken LIME ve SHAP örnek düzeyinde özellik atıfları sağlar. En iyi seçim, paydaşların bireysel tahminleri mi yoksa genel veri örüntülerini mi anlaması gerektiğine bağlıdır.
Kaldırma ve güvenilirlik arasındaki fark nedir?
Güvenilirlik, P(B|A) koşullu olasılığını ölçer; kaldırma, güvenilirliği B'nin taban oranıyla normalleştirir, böylece kaldırma > 1, A ve B'nin şans eseri beklenenden daha sık birlikte ortaya çıktığını gösterir. 1'e yakın kaldırma ile yüksek güvenilirlik, kuralın B'nin marjinal frekansının ötesinde çok az eklediği anlamına gelir.
Kaynaklar
- Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207–216. DOI: 10.1145/170035.170072 ↗
- Murdoch, W. J., Singh, C., Kumbier, K., Abbasi-Asl, R., & Yu, B. (2019). Definitions, methods, and applications in interpretable machine learning. Proceedings of the National Academy of Sciences, 116(44), 22071–22080. DOI: 10.1073/pnas.1900654116 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/tr/machine-learning/explainable-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
- Açıklanabilir Karar AğacıMakine öğrenmesi↔ karşılaştır
- Açıklanabilir Naive BayesMakine öğrenmesi↔ karşılaştır
- Açıklanabilir Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır