Çevrimiçi Birliktelik Kuralları
Online (Incremental) Association Rule Mining · Ayrıca şöyle bilinir: Incremental association rule mining, Streaming association rules, Online ARM, Incremental ARM
Çevrimiçi birliktelik kuralı madenciliği, işlem verilerinden artımlı olarak veya bir akış olarak gelen eğer-o zaman örüntülerini (örneğin, ekmek almak tereyağı almayı ima eder) keşfeder, her yeni kayıt geldiğinde tüm geçmiş veritabanını yeniden taramadan mevcut kuralları ve öğe sayılarını günceller.
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 olay verileri sürekli veya sık partiler halinde geldiğinde ve kuralların maliyetli tam yeniden taramalar olmadan güncel kalması gerektiğinde çevrimiçi birliktelik kuralı madenciliğini kullanın — örneğin, gerçek zamanlı perakende sepet analizi, tıklama akışı örüntüsü takibi veya olay günlüklerinde ağ saldırısı tespiti. Ayrıca, depolama kısıtlamalarının bir parti Apriori veya FP-growth geçişi için gereken tam geçmişi tutmayı engellediği durumlarda da uygundur. Veri kümesinin statik olduğu ve belleğe rahatça sığdığı durumlarda kullanmayın — standart parti Apriori veya FP-growth, daha basit kodla eşdeğer sonuçları daha hızlı üretecektir. Kavram dağılımının bir unutma mekanizması olmadan zamanla dramatik bir şekilde kaydığı durumlarda bundan kaçının, çünkü bayat sayılar kural kalitesi tahminlerini yanıltabilir.
Güçlü yönler & sınırlılıklar
- Yeni işlemler geldiğinde geçmiş verilerin tam yeniden taranmasından kaçınır, işlem süresini önemli ölçüde azaltır.
- Gerçek zamanlı öneri veya uyarı için uygun, sürekli güncellenen kurallar üretir.
- Madencilik sürecini yeniden başlatmadan veritabanı eklemelerini ve bazı varyantlarda silmeleri işler.
- Sürekli büyüyen bir veri kümesini tekrarlanan parti çalıştırmaları için tamponlamaya kıyasla bellek açısından verimlidir.
- Kaydırma penceresi veya zaman bozunumu mekanizmalarıyla birleştirilebilir, böylece en son örüntülere öncelik verilir.
- Geniş, gelişen bir aday kümesi boyunca doğru destek sayılarını korumak hala bellek yoğun olabilir.
- Bir unutma mekanizması olmadan, sayılar süresiz olarak birikir ve eski örüntülerin yeni ortaya çıkanları dışlamasına izin verir.
- Uygulama karmaşıklığı, parti Apriori veya FP-growth'tan önemli ölçüde daha yüksektir.
- Minimum destek ve güven eşiklerini seçmek manuel ve veri kümesine özgü kalır.
- İşlem alanı çok genişse aday öğe kümesi patlaması hala mümkündür.
SSS
Çevrimiçi birliktelik kuralı madenciliği, her yeni parti üzerinde Apriori'yi yeniden çalıştırmaktan nasıl farklıdır?
Apriori'yi sıfırdan yeniden çalıştırmak, her seferinde tüm geçmiş veritabanını okur, bu da geçmiş boyutunda O(n)'dir. Çevrimiçi ARM, çalışan sayıları tutar ve yalnızca etkilenen girişleri günceller, böylece her güncelleme toplam geçmiş yerine yeni partinin boyutuna orantılı olur.
Veritabanından veri silindiğinde kurallara ne olur?
Azaltıcı güncellemeleri (FUP uzantıları gibi) destekleyen algoritmalar, etkilenen öğe kümelerinin sayılarını azaltır. Silme işleminden sonra destekleri minimum eşiğin altına düşen kurallar geçersiz kılınır ve kaldırılır.
Kural kümesinin eski, ilgisiz örüntüler tarafından domine edilmesini nasıl önleyebilirim?
Bir kaydırma penceresi (son N işlemi say) veya sayılara üssel zaman bozunumu uygulayarak, en son işlemlerin daha yüksek ağırlığa sahip olmasını sağlayın. Bu, yeni veri geldikçe eski örüntülerin doğal olarak solmasını zorlar.
Çevrimiçi birliktelik kuralı madenciliği kavram kaymasını işleyebilir mi?
Temel çevrimiçi ARM, kavram kaymasına otomatik olarak uyum sağlamaz. Bir zaman bozunumu ağırlığı veya sabit bir kaydırma penceresi eklemek, bir unutma biçimi getirerek kural kümesinin değişen örüntüleri izlemesine olanak tanır, ancak hızlı, ani kaymalar için açık kayma tespiti kancaları gerekir.
Minimum destek ve güven için makul başlangıç eşikleri nelerdir?
Evrensel bir cevap yoktur; eşikler alana ve işlem yoğunluğuna büyük ölçüde bağlıdır. Yaygın bir uygulama, minimum destek %1-5 ve minimum güven %50-70 ile başlamak, ardından keşfedilen kuralların hacmine ve kullanışlılığına göre ayarlamaktır.
Kaynaklar
- Cheung, D. W., Han, J., Ng, V. T., & Wong, C. Y. (1996). Maintenance of discovered association rules in large databases: an incremental updating technique. In Proceedings of the 12th International Conference on Data Engineering (ICDE 1996), pp. 106–114. IEEE. link ↗
- Association rule learning. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online (Incremental) Association Rule Mining. ScholarGate. https://scholargate.app/tr/machine-learning/online-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
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Birliktelik KurallarıMakine öğrenmesi↔ karşılaştır