آپریوری

  • پنج‌شنبه 21 آبان 1405 ساعت 21:05
  • 0.6.2
  • کامل شده
  • منقضی شده
این داکیومنت از طرف توسعه‌دهنده ساپورت نمی‌شود، جدیدترین ورژن داکیومنت بزودی ترجمه خواهد شد.

یادگیری قانون وابستگی (Association Rule Learning) روشی برای کشف الگوهای هم‌وقوعی در داده‌های تراکنشی است. در این روش، به‌جای پیش‌بینی یک برچسب مشخص، مجموعه‌هایی از اقلام شناسایی می‌شوند که معمولاً در کنار یکدیگر ظاهر می‌شوند. تحلیل سبد خرید فروشگاه یکی از کاربردهای شناخته‌شده آن است؛ برای مثال می‌توان بررسی کرد مشتریانی که یک محصول را می‌خرند، با چه احتمالی محصول دیگری را نیز انتخاب می‌کنند.

مفاهیم اصلی

الگوریتم Apriori با این فرض کار می‌کند که اگر یک مجموعه‌اقلام پرتکرار باشد، زیرمجموعه‌های آن نیز پرتکرار خواهند بود. ابتدا مجموعه‌های یک‌عضوی بررسی می‌شوند و سپس مجموعه‌های بزرگ‌تر از ترکیب گزینه‌های پرتکرار ساخته می‌شوند. مجموعه‌هایی که حداقل شرط فراوانی را ندارند، از مراحل بعدی کنار گذاشته می‌شوند.

سه معیار برای ارزیابی قوانین اهمیت زیادی دارند:

  • Support: سهم تراکنش‌هایی که هم‌زمان شامل اقلام موردنظر هستند.
  • Confidence: احتمال مشاهده پیامد قانون در تراکنش‌هایی که شرط آن را دارند.
  • Lift: میزان تقویت رابطه نسبت به حالتی که شرط و پیامد مستقل از یکدیگر باشند.

مثال ساده

Transactions:
1: milk, bread
2: bread, eggs
3: milk, bread, eggs
4: milk, bread

Rule: {milk} => {bread}

در این مثال، هر چهار تراکنش شامل نان هستند و سه تراکنش از چهار تراکنش شامل شیر نیز نان دارند. بنابراین Confidence قانون «شیر ← نان» برابر ۱۰۰ درصد است؛ اما برای تفسیر درست آن باید Support و Lift را هم در نظر گرفت.

نکته

قوانین وابستگی الگوی آماری و هم‌وقوعی را نشان می‌دهند، نه رابطه علت و معلولی. انتخاب آستانه‌های Support و Confidence باید با اندازه داده و هدف تحلیل متناسب باشد.

ارتباط با PHP-ML

در PHP-ML، الگوریتم Apriori در بخش Association Rule Learning قرار می‌گیرد. برای آشنایی با آماده‌سازی داده و ارزیابی نتایج، صفحات مجموعه‌داده‌ها و معیارهای ارزیابی را نیز مطالعه کنید.

بخش ها

سایر پست های داکیومنت

تگ ها