Yarı denetimli Apriori Algoritması
Semi-supervised Apriori Algorithm for Constrained Association Rule Mining · Ayrıca şöyle bilinir: constrained Apriori, semi-supervised ARM, knowledge-guided Apriori, labeled-constraint Apriori
Yarı denetimli Apriori algoritması, klasik Apriori sık öğe kümesi madencisini, arka plan bilgisini veya etiketlenmiş kısıtlamaları — örneğin, zorunlu bağlantı çiftleri, yasaklanmış öğeler veya grup başına kullanıcı tarafından belirtilen minimum destek eşikleri — ekleyerek keşfi pratik olarak anlamlı ilişki kurallarına doğru yönlendirerek ve arama alanını azaltarak genişletir.
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 sepet tarzı kategorik verileriniz ve hangi örüntülerin önemli olduğunu yönlendirmesi gereken alan bilgisi (etiketlenmiş örnekler, yasaklanmış kombinasyonlar veya öğeye özgü destek eşikleri) olduğunda Yarı denetimli Apriori'yi kullanın. Özellikle öğe alanı büyük olduğunda ve kısıtlanmamış madencilik yönetilemez bir kural kümesi ürettiğinde değerlidir. Veriler tamamen sayısal olduğunda (standart Apriori önce ayrıştırma gerektirir), alan bilgisi mevcut olmadığında (düz Apriori veya FP-Growth yeterlidir) veya işlem veritabanı çok seyrek olduğunda ve destek sayıları doğası gereği güvenilmez olduğunda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Keşfi eyleme geçirilebilir, aşikar olmayan kurallara odaklamak için ön bilgiyi içerir.
- Erken kısıtlama budaması, aday alanını önemli ölçüde azaltır ve kısıtlanmamış Apriori'ye kıyasla hesaplamayı hızlandırır.
- Öğe düzeyinde minimum destek eşikleri, nadir ancak önemli öğelerin frekans filtresinden kurtulmasını sağlar.
- Yorumlanabilir çıktı: destek, güvenilirlik ve kaldırma (lift) ile ilişki kuralları alan uzmanları için şeffaf ve açıklanabilir.
- Her kayıt için hedef bir etiket gerektirmeyen kategorik işlem verileri üzerinde doğrudan çalışır.
- Apriori'nin ölçeklenebilirlik sınırını miras alır: kısıtlamalarla bile yüksek boyutlu öğe alanlarında üssel aday üretimi.
- Sonuçların kalitesi, sağlanan kısıtlamaların kalitesine ve eksiksizliğine büyük ölçüde bağlıdır; kötü kısıtlamalar gerçekten ilginç kuralları bastırabilir.
- Sayısal özellikler kullanılmadan önce ayrıştırılmalıdır, bu da hangi öğe kümelerinin sık görüldüğünü belirleyen ek bir ön işleme kararıdır.
- Büyük ML kütüphanelerinde standart bir uygulama bulunmamaktadır; uygulayıcılar genellikle temel bir Apriori kütüphanesinin üzerine kısıtlama mantığı uygulamak zorundadır.
SSS
Bu, düz Apriori'den nasıl farklıdır?
Düz Apriori, tek bir küresel minimum destek eşiği uygular ve tüm sık öğe kümelerini döndürür, genellikle binlerce kural üretir. Yarı denetimli varyant, alan kısıtlamalarını ve isteğe bağlı olarak etiketlenmiş örnekleri kabul eder, yalnızca önceki bilgiyle tutarlı kuralların ve gerçekten yeni örüntülerin döndürülmesi için aday alanını erken budar.
Bu yöntemi kullanmak için etiketlenmiş verilere ihtiyacım var mı?
Zorunlu değil. Kısıtlamalar, herhangi bir etiketlenmiş eğitim örneği olmadan (yasaklanmış kombinasyonlar, öğe düzeyinde destekler gibi) kurallar olarak kodlanmış alan uzmanlığından saf bir şekilde gelebilir. Etiketler eşikleri otomatik olarak kalibre etmeye yardımcı olur ancak isteğe bağlıdır — bu nedenle 'yarı denetimli' çerçeveleme hem esnek hem de sabit kısıtlama enjeksiyonunu kapsar.
Ne zaman FP-Growth yerine yarı denetimli Apriori'yi tercih etmeliyim?
FP-Growth, aday üretimini tamamen atladığı için büyük kısıtlanmamış veri kümelerinde daha hızlıdır. Yarı denetimli Apriori, kısıtlamaların en doğal şekilde uygulanabileceği aday üretim adımı olduğu için, belirli öğe düzeyinde kısıtlamaları veya arka plan bilgisini doğrudan madencilik sürecine kodlamak istediğinizde tercih edilir.
Minimum destek ve güvenilirlik eşiklerini nasıl seçerim?
Alan beklentilerine göre küresel bir minimum destek ayarlayarak başlayın, ardından özel ilgi alanındaki öğeler için eşikleri düşürün. Güvenilirlik, gürültüyü filtreleyecek kadar yüksek, ancak yalnızca aşikar derecede bariz kuralların hayatta kalacağı kadar yüksek olmamalıdır. Mümkün olduğunda, ayrılmış bir işlem kümesine karşı eşik seçimlerini çapraz doğrulayın.
Yarı denetimli Apriori sayısal özelliklerle başa çıkabilir mi?
Doğrudan değil. Sayısal öznitelikler madencilikten önce kategorik gruplara ayrıştırılmalıdır. Grup sınırlarının seçimi, hangi öğe kümelerinin sık göründüğünü güçlü bir şekilde etkileyen ayrı bir modelleme kararıdır, bu nedenle gruplama stratejileri boyunca hassasiyet analizi önerilir.
Kaynaklar
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 487–499. link ↗
- Liu, B., Hsu, W., & Ma, Y. (1999). Mining association rules with multiple minimum supports. Proceedings of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 337–341. DOI: 10.1145/312129.312274 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Apriori Algorithm for Constrained Association Rule Mining. ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-apriori-algorithm
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
- İşbirlikçi FiltrelemeMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır