Sıralı Örüntü Madenciliği
Sequential Pattern Mining · Ayrıca şöyle bilinir: Sequence Pattern Mining, Sequential Data Mining, Temporal Pattern Mining, Ardışık Örüntü Madenciliği
Sıralı Örüntü Madenciliği, bir veritabanındaki birden çok olay dizisinde tekrar eden sıralı örüntüleri keşfeder. Agrawal ve Srikant tarafından 1995 yılında tanıtılan bu yöntem, birliktelik kuralı madenciliğini zamana göre sıralanmış işlemlere genişletir. Bir örüntü, tüm dizilerin en az kullanıcı tarafından belirtilen bir kısmında sıralı bir alt dizi olarak göründüğünde sıktır. Yöntem, müşteri satın alma geçmişleri, tıklama akışı günlükleri, elektronik sağlık kayıtları ve DNA dizisi analizi gibi olayların sırasının anlam taşıdığı her yerde yaygın olarak uygulanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verileriniz sıralı olay günlüklerinden, işlem geçmişlerinden veya zaman damgalı kayıtlardan oluşuyorsa ve önceden tanımlanmış bir etiket olmaksızın tekrar eden sıralı yapıları keşfetmeniz gerekiyorsa Sıralı Örüntü Madenciliği'ni kullanın. Yöntem, minimum destek eşiği gerektirir ve dizilerin ortak bir davranışsal popülasyondan çekildiğini varsayar. Veritabanı çok seyrek olduğunda, örüntüler dizi uzunluğuna göre aşırı uzun olduğunda veya olaylar arasındaki zamansal boşluklar, bölüm madenciliği veya zamansal mantık tabanlı yaklaşımlarla daha iyi yakalanan analitik ağırlık taşıdığında daha az uygundur.
Güçlü yönler & sınırlılıklar
- Sepet analizi yöntemlerinin tamamen gözden kaçırdığı sıralı verilerdeki örüntüleri keşfeder.
- Anti-monoton özellik, arama alanını yönetilebilir tutarak agresif budama sağlar.
- Çıktı örüntüleri, öneri ve tahmin görevlerinde kullanılabilen sıralı kurallar olarak doğrudan yorumlanabilir.
- Daha sonraki varyantlarda tanıtılan verimli veritabanı projeksiyon teknikleri sayesinde büyük işlem veritabanlarına ölçeklenebilir.
- Üstel en kötü durum aday alanı, çok düşük destek eşiklerini hesaplama açısından pahalı hale getirir.
- Kullanıcı tarafından belirtilen minimum destek gerektirir, bu da keşfedilen örüntüleri anlamlı şekilde etkiler.
- Olaylar arasındaki zaman boşluklarını modellemez; aynı sıraya sahip ancak çok farklı zaman gecikmeleri olan iki diziye eşit muamele yapılır.
- Yüksek boyutlu öğe alanları, bellek gereksinimlerini ve işlem süresini önemli ölçüde artırır.
SSS
Sıralı Örüntü Madenciliği, birliktelik kuralı madenciliğinden nasıl farklıdır?
Birliktelik kuralı madenciliği, tek bir işlem içinde, sıraya bakılmaksızın birlikte ortaya çıkan öğe kümelerini bulur. Sıralı Örüntü Madenciliği bunu, öğelerin veya öğe kümelerinin birden çok işlemde belirli bir zamansal sırada görünmesini gerektirerek genişletir. Sıralama kısıtlaması, olayların sırasının — sadece birlikte ortaya çıkmalarının değil — çalışma nesnesi olduğu kullanım durumları için uygun hale getirir.
Minimum destek eşiğinin rolü nedir?
Minimum destek, bir aday örüntünün sık kabul edilmesi için sıralı bir alt dizi olarak görünmesi gereken veritabanı dizilerinin oranıdır. Bu, birincil ayarlama parametresidir: çok yüksekse nadir ancak anlamlı örüntüler budanır; çok düşükse sonuç kümesi yönetilemez derecede büyük hale gelir. Analistler genellikle anlamlı bir temel oluşturmak için birkaç eşiği keşfeder veya alan bilgisini kullanır.
Sıralı Örüntü Madenciliği, olaylar arasındaki zaman boşluklarını ele alabilir mi?
Orijinal Agrawal ve Srikant formülasyonu, olaylar arası zaman boşluklarını modellemez; yalnızca göreceli sırayı önemser. GSP gibi daha sonraki uzantılar, maksimum boşluk ve kayan pencereler gibi zaman kısıtlamaları getirerek, analistlerin ardışık olayların belirli bir zaman aralığında meydana geldiği dizilerle örüntüleri kısıtlamasına olanak tanıyarak sonuçları operasyonel olarak daha anlamlı hale getirmiştir.
Kaynaklar
- Agrawal, R., & Srikant, R. (1995). Mining sequential patterns. IEEE International Conference on Data Engineering (ICDE), 3–14. DOI: 10.1109/ICDE.1995.380415 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Sequential Pattern Mining. ScholarGate. https://scholargate.app/tr/machine-learning/sequence-mining
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
- FP-Growth (Sık Desen Büyümesi)Makine öğrenmesi↔ karşılaştır
- Süreç MadenciliğiSüreç madenciliği↔ karşılaştır