Yarı denetimli FP-growth
Semi-supervised Frequent Pattern Growth · Ayrıca şöyle bilinir: SS-FP-growth, constrained FP-growth, label-guided frequent pattern mining, semi-supervised frequent itemset mining
Yarı denetimli FP-growth, sık rastlanan öğe kümesi keşfini yönlendirmek için kısmi etiketler, kullanıcı tanımlı kısıtlamalar veya sınıf düzeyinde bilgileri dahil ederek klasik Sık Rastlanan Desen büyüme algoritmasını genişletir. Tüm desenleri ayrım gözetmeksizin madencilik yapmak yerine, mevcut denetim sinyali göz önüne alındığında hem istatistiksel olarak sık rastlanan hem de anlamsal olarak anlamlı olan desenlere odaklanır.
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 kategorik verilerinizde kayıtların bir kısmının sınıf etiketleri veya alan kısıtlamaları taşıdığı ve denetimi dikkate alan ilişki kuralları veya sık rastlanan desenler keşfetmek istediğinizde yarı denetimli FP-growth kullanın. Ürün-kategori etiketleriyle pazar sepeti analizi, kısmi teşhislerle klinik kayıtlar veya etiketlenmiş birkaç belgeyle metin madenciliği için uygundur. Verileriniz tam olarak etiketlenmişse (bunun yerine denetimli sınıflandırma kullanın), enjekte edilecek anlamlı kısıtlamalarınız yoksa (düz FP-growth yeterlidir) veya veriler sürekli ve doğal olarak işlemsel değilse bundan kaçının.
Güçlü yönler & sınırlılıklar
- Hem sık rastlanan hem de bilinen sınıf yapısıyla uyumlu desenleri hedefler, daha yorumlanabilir ve eyleme geçirilebilir bir kural kümesi üretir.
- FP-growth'ın verimliliğini miras alır — aday öğe kümesi üretimi yok, kompakt ağaç temsili — bu nedenle büyük işlem veritabanlarına ölçeklenir.
- Kısıtlama tabanlı budama arama alanını azaltır, genellikle aynı veride kısıtlanmamış FP-growth'a kıyasla madencilik süresini kısaltır.
- Çok az etiket veya yumuşak kısıtlamalarla çalışır, bu da tam açıklama pahalı olduğunda pratik hale getirir.
- Alan uzmanlarının doğrudan denetleyebileceği insan tarafından okunabilir ilişki kuralları çıktısı verir.
- En azından kısmi etiketleme veya iyi tanımlanmış kısıtlamalar gerektirir; bunlar olmadan fayda sağlamadan düz FP-growth'a indirgenir.
- Anlamlı kısıtlama türleri ve minimum destek eşiklerinin seçilmesi alan uzmanlığı gerektirir ve yinelemeli ayarlama gerektirebilir.
- Yarı denetimli budama ile bile FP-ağacı, yüksek boyutlu, seyrek işlem verileri için hala çok büyük olabilir.
- Desen tamlığı üzerindeki teorik garantiler, sert kısıtlamalar arama alanının tüm dallarını ortadan kaldırdığında zayıflar.
SSS
Yarı denetimli FP-growth, kısıtlı FP-growth'tan nasıl farklıdır?
Kısıtlı FP-growth, sert kullanıcı tarafından belirtilen öğe veya desen kısıtlamalarını kullanır. Yarı denetimli FP-growth, ek olarak işlemlerin etiketlerini desen ayırt ediciliğini puanlamak için kullanır — kısıtlama budamasını etiket tabanlı filtrelemeyle birleştirir, bu da onu daha geniş bir çerçeve haline getirir.
Kaç tane etiketlenmiş işleme ihtiyacım var?
Kesin bir minimum yoktur, ancak denetim sinyali yalnızca etiketlenmiş işlemler sınıf yapısını temsil ettiğinde kullanışlıdır. Etiketler bilgilendirici ve sınıflar arasında eşit olarak dağılmışsa, etiketlenmiş verinin %5-10'u bile aramayı anlamlı bir şekilde etkileyebilir.
Hangi minimum destek eşiğini ayarlamalıyım?
Yüksek başlayın (örneğin, işlemlerin %10-20'si) ve kural sayısını ve ortalama güvenilirliklerini izlerken yavaşça düşürün. Yarı denetimli budama ile, gürültüye boğulmadan düz FP-growth'a kıyasla genellikle daha düşük bir eşik kullanabilirsiniz.
Bu yöntemi sürekli özelliklerle kullanabilir miyim?
Doğrudan değil. FP-growth kategorik veya ikili öğeler üzerinde çalışır. Sürekli özellikler, algoritmanın bunları bir işlemdeki öğeler olarak ele alabilmesi için önce ayrıştırılmalıdır (örneğin, düşük/orta/yüksek aralıklara bölünerek).
Tüm sık rastlanan desenleri bulmayı garanti eder mi?
Anti-monoton kısıtlamaları uygulayan yarı denetimli varyantlar, kısıtlı desen kümesi için tamlık garantisini korur. Ancak, sonradan yumuşak veya etiket tabanlı filtreleme uygulanırsa, bazı sık rastlanan desenler tasarımları gereği hariç tutulabilir — bu bir hata değil, kasıtlıdır.
Kaynaklar
- Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 1–12. DOI: 10.1145/342009.335372 ↗
- FP-growth algorithm. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Frequent Pattern Growth. ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-fp-growth
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır