Yarı denetimli Birliktelik Kuralları
Semi-supervised Association Rule Mining · Ayrıca şöyle bilinir: semi-supervised ARM, label-guided association rule mining, constrained association rule mining, semi-supervised pattern discovery
Yarı denetimli birliktelik kuralı madenciliği, daha büyük bir etiketsiz veri kümesiyle birlikte az miktarda etiketlenmiş veriyi dahil ederek klasik birliktelik kuralı öğrenimini genişletir. Kuralların hem istatistiksel olarak sık hem de anlamsal olarak anlamlı olmasını sağlamak için bilinen sınıf bilgisini veya kullanıcı tarafından sağlanan kısıtlamaları kullanır, böylece denetimsiz örüntü madenciliğini hafif denetimle birleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Büyük bir işlemsel veya tablosal veri kümeniz olduğunda, bunun yalnızca bir kısmının sınıf etiketleri veya alan açıklamaları taşıdığı ve yalnızca sık görülen değil, gerçekten hedef bir kavramla ilgili olan eş-oluşum örüntülerini keşfetmeniz gerektiğinde yarı denetimli birliktelik kuralı madenciliğini kullanın. Bazı bilinen satın alma sonuçlarıyla pazar sepeti analizi, yalnızca vaka alt kümesinin doğrulanmış teşhisleri olduğu tıbbi kayıt madenciliği ve etiketlenmiş belgelerin az olduğu metin sınıflandırması için uygundur. Etiketlenmiş kısım ihmal edilebilir derecede küçükse (birkaç düzineden az etiketlenmiş örnek), tam denetim mümkünse veya yorumlanabilirlik gereksinimleri lojistik regresyon veya karar ağacı gibi daha basit bir model gerektiriyorsa bundan kaçının.
Güçlü yönler & sınırlılıklar
- Yalnızca etiketlenmiş verilerle istatistiksel olarak görünmez olacak örüntüleri bulmak için bol miktarda etiketsiz veriden yararlanır.
- Etiketlerden türetilen kısıtlamalar ilgisiz kuralları budayarak, tamamen denetimsiz madencilikten daha küçük, daha eyleme geçirilebilir bir kural kümesi sağlar.
- Kurallar, klasik birliktelik kuralı öğreniminin yorumlanabilirlik avantajını koruyarak, insan tarafından okunabilir EĞER-O ZAMAN ifadeleri olarak kalır.
- Kendi kendine eğitim iyileştirmesi, ek etiketleme maliyeti olmadan hem kural kalitesini hem de sözde etiket kapsamını döngüsel olarak iyileştirebilir.
- Esnek: kısıtlamalar basit sınıf etiketlerinin ötesinde alan bilgisini (örneğin, zamansal sıralama, öğe hiyerarşileri) kodlayabilir.
- Kural kalitesi, etiketlenmiş tohum kümesinin kalitesine ve temsil gücüne büyük ölçüde bağlıdır; yanlı bir etiketlenmiş alt küme, keşfedilen kurallara yanlılık yayar.
- Destek, güven ve kısıtlama eşiklerinin birleşimi, etiketlenmiş doğrulama verileri olmadan ayarlanması zor büyük bir hiperparametre alanı oluşturur.
- Hesaplama maliyeti, aday öğe kümelerinin sayısıyla ölçeklenir; çok yüksek boyutlu öğe alanlarına sahip veri kümeleri agresif budama stratejileri gerektirir.
- Kendi kendine eğitim döngüleri, ilk sözde etiketler gürültülü ise erken hataları büyütebilir ve yinelemeler boyunca kural kaymasına neden olabilir.
SSS
Bu, standart birliktelik kuralı madenciliğinden nasıl farklıdır?
Standart birliktelik kuralı madenciliği tamamen denetimsizdir: belirli bir hedef sınıf kavramı olmadan destek ve güven eşiğinin üzerindeki tüm eş-oluşum örüntülerini bulur. Yarı denetimli birliktelik kuralları, belirli bir sonuçla ilgili kuralları filtrelemek ve önceliklendirmek için kısmi etiket bilgisini veya alan kısıtlamalarını içerir, bu da daha küçük ve daha eyleme geçirilebilir bir sonuç kümesi üretir.
Ne kadar etiketlenmiş veriye ihtiyaç var?
Küçük bir etiketlenmiş küme bile faydalı kısıtlamalar sağlayabilir, ancak tohumların kalitesi miktardan daha önemlidir. Uygulamada, ciddi şekilde yanlı kısıtlamalardan kaçınmak için her sınıf için en az birkaç düzine etiketlenmiş örneğe sahip olmak tavsiye edilir. Etiketler son derece seyrekse, sonuçlar tutulmuş bir etiketli alt küme üzerinde dikkatlice doğrulanmalıdır.
Destek ve güven için hangi eşikleri ayarlamalıyım?
Evrensel bir cevap yoktur: eşikler veri kümesi boyutuna, alana ve gerçekçi olarak kaç kuralı değerlendirebileceğinize bağlıdır. Orta düzeyde eşiklerle başlayın (örneğin, destek 0.05–0.10, güven 0.60–0.80), sonuçta ortaya çıkan kural sayılarını inceleyin ve ayarlayın. Kısıtlamalar aktif olduğunda, ilgisiz kurallar etiket koşulları tarafından filtrelendiği için genellikle biraz daha düşük destek eşiklerini karşılayabilirsiniz.
Bu yöntem sürekli veya sayısal özellikleri işleyebilir mi?
Birliktelik kuralı madenciliği doğal olarak ayrık öğeler üzerinde çalışır. Sürekli özellikler madencilikten önce kutulara ayrılmalıdır. Gruplama stratejisinin seçimi, hangi öğe kümelerinin sık hale geldiğini etkiler, bu nedenle eşit genişlikte, eşit sıklıkta ve alan güdümlü gruplama ile denemeler yapmak ve sonuçların seçime ne kadar duyarlı olduğunu kontrol etmek değerlidir.
Keşfedilen kuralların kalitesini nasıl değerlendiririm?
Destek ve güvenin ötesinde, kuralları kaldırma (şansın ötesinde gerçek eş-oluşumu gösteren 1'in üzerindeki değerler), ikna gücü ve kaldıraç kullanarak değerlendirin. Kurallar tahmin için kullanılıyorsa, tutulmuş bir etiketli küme üzerinde sınıflandırma doğruluğunu, F1'i veya AUC'yi ölçün. İlginçlik ölçüleri, pratik faydayı değerlendirmek için yeterli değildir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Association Rule Mining. ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-association-rules
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Apriori AlgoritmasıMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Etiket YayılımıMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır