مرجع
آخر الزيارات

تعلم قواعد الارتباط

862 كلمة•0 مشاهدة•🗒️ منذ 15 يوماً
باختصار: يعد تعلُّم قواعد الارتباط طريقة تعلم تستند إلى القواعد لاكتشاف العلاقات المثيرة للاهتمام بين المتغيرات في قواعد البيانات الكبيرة. تجد هنا «خوارزمية ابريوري»، «الرفع» و«خوارزمية ايلكات» ضمن 9 أقسام.
المحتويات
  1. خوارزمية ابريوري
  2. الرفع
  3. خوارزمية ايلكات
  4. الخوارزميات
  5. التعريف
  6. الثقة
  7. مفاهيم مفيدة
  8. الدعم
  9. الببليوغرافيات
تعلم قواعد الارتباط

بدايةً، يعد تعلُّم قواعد الارتباط طريقة تعلم تستند إلى القواعد لاكتشاف العلاقات المثيرة للاهتمام بين المتغيرات في قواعد البيانات الكبيرة. الغرض منه هو تحديد القواعد القوية المكتشفة في قواعد البيانات باستخدام بعض المقاييس. ويولد ذلك قواعد جديدة لأنه يحلل المزيد من البيانات. الهدف النهائي، هو مساعدة الآلة في محاكاة استخلاص ميزات في الدماغ البشري وفهم قدرات الارتباط التجريدي من البيانات الجديدة غير المصنفة بافتراض وجود مجموعة بيانات كبيرة بما فيه الكفاية .. وتعرض الأقسام التالية جوانب أخرى من الموضوع.

ومن جهة أخرى، إلى جانب المثال أعلاه حول تحليل سلة السوق، يتم توظيف قواعد الارتباط اليوم في الكثير من المجالات بما في ذلك تنقيب الويب وأنظمة الكشف عن الاختراق والمعالجة المتواصلة وفي حقل المعلوماتية الحيوية كذلك. ولا تفترض قواعد الارتباط ترتيب العناصر إما داخل معاملة أو عبر معاملات بعكس ما يُعرف بتنقيب التسلسلات.

وعلى صعيد آخر، استنادا إلى مفهوم القواعد القوية، قدم كل من راكيش أغراوال، توماسز إيميلينسكي وارون سوامي قواعداً رابطة لاكتشاف حالات الانتظام بين المنتجات في بيانات المعاملات التي سجلتها نقاط البيع (POS) نظم في محلات السوبر ماركت وعلى نطاق واسع. مثلًا، القاعدة (بصل، بطاطس تؤدي إلى برغر) تشير بيانات مبيعات السوبر ماركت إلى أنه إذا قام العميل بشراء البصل والبطاطس معًا، فمن المحتمل أن يقوم بشراء البرغر كذلك. يمكن استخدام هذه المعلومات كأساس لاتخاذ القرارات المتعلقة بأنشطة التسويق مثل التسعير أو تحديد مواضع المنتجات.

خوارزمية ابريوري

علاوةً على ذلك، تستعمل ابريوري إستراتيجية بحث أولية واسعة لحساب دعم مجموعات العناصر وتستعمل دالة لتوليد المجاميع المرشحة تستغل خاصية الإغلاق الهابط التي يمتاز بها الدعم.

الرفع

من جهة ثانية، يعرف الرفع لقاعدة معينة بأنه بأنه حاصل ضرب قسمة الدعم لكل من س وص سوية، مقسوماً على [الدعم لـ س مضروباً في الدعم لـ ص]

وفي هذا الصدد، قيمة الرفع تأخذ بنظر الاعتبار دعم القاعدة وإجمالي ما تحتويه مجموعة البيانات.

وفي السياق ذاته، إذا كان رفع القاعدة مساوياً لـ 1، فهذا يعني أن احتمالية حدوث العناصر السالفة والنتيجة مستقلة عن بعضها البعض. عندما يكون الحدثان مستقلين عن بعضهما البعض، فلا يمكن وضع قاعدة تتضمن هذين الحدثين.

وفي هذا الصدد، إذا كان الرفع أقل من 1، فهذا يتيح لنا معرفة أن العناصر بديلة لبعضها البعض. هذا يعني أن وجود عنصر ما له تأثير سلبي على وجود عنصر آخر والعكس صحيح.

ومن جهة أخرى، إذا كان الرفع أكبر من 1، فذلك يتيح لنا معرفة الدرجة التي تعتمد عليها هاتان التكرارات على بعضها البعض، ويجعل هذه القواعد مفيدة للتنبؤ بالنتيجة في مجموعات البيانات المستقبلية.

خوارزمية ايلكات

من جانب آخر، ايلكات هي خوارزمية بحث أول عمق تعتمد على تقاطع مجموعة. إنها مناسبة للتنفيذ المتسلسل والتوازي مع خصائص تحسين الموقع.

الخوارزميات

وفي هذا الصدد، بعض الخوارزميات معروفة جداً مثل ابريوري و Eclat و FP-Growth، لكنها تؤدي نصف المهمة فقط، لأنها خوارزميات لاستخراج مجموعات العناصر المتكررة. ثم يجب القيام بخطوة أخرى بعدها لإنشاء قواعد من العناصر المتكررة الموجودة في قاعدة البيانات.

تم اقتراح الكثير من الخوارزميات لتكوين قواعد الارتباط.

التعريف

كذلك، باتباع التعريف الأصلي المقدم من سوارمي، ليملينسكي واغراوال، يتم تعريف مشكلة التنقيب عن قواعد الارتباط على النحو التالي:

في هذا الإطار، لتوضيح ذلك، نأخذ مثالًا صغيرًا من بيانات السوبر ماركت. مجموعة من العناصر هي ي = {حليب، خبز، بيرة، زبد، حفاظات} وفي الجدول، نرى قاعدة البيانات الصغيرة التي تحتوي على هذه العناصر، حيث تعني القيمة 1 في كل إدخال وجود العنصر في المعاملة المقابلة، وتمثل القيمة 0 عدم وجود عنصر في تلك المعاملة.

من جانب آخر، يمكن أن تكون قاعدة مثال للسوبر ماركت {زبد، خبز >> حليب} وهذا يعني أنه إذا تم شراء الزبد والخبز، فإن العملاء يمكن أن يشتروا الحليب كذلك.

إضافةً إلى ذلك، في بحث سوارمي وزملاءه يتم تعريف القاعدة فقط بين مجموعة وبين عنصر واحد، حيث تنطبق القاعدة س على أحد عناصر ي.

ومن ناحية أخرى، تتكون كل قاعدة من قبل اثنين من مجموعات مختلفة من العناصر، التي تعرف كذلك باسم مجاميع س و ص، حيث س تمثل العناصر السالفة، بينما تمثل ص العناصر الناتجة.

  • لتكن ي = {ي1، ي2، ي3 .. ي ن}
  • ولتكن د = {ت1، ت2، ت3... ت م}
  • كل معاملة في د لديها معرف معاملة فريد ويحتوي على مجموعة فرعية من العناصر في ي.
  • تُعرَّف القاعدة بما يلي:
  • , حيث.

الثقة

من جهة ثانية، قيمة الثقة للقاعدة المتمثلة بـ س إلى ص، للمجموعة ت من المعاملات، هي نسبة المعاملات التي تحتوي س وتحتوي ص أيضاًَ.

الثقة هي إشارة إلى عدد المرات التي وجدت فيها القاعدة صحيحة.

مفاهيم مفيدة

ومن ناحية أخرى، من أجل اختيار قواعد مثيرة للاهتمام من مجموعة من جميع القواعد المتاحة، يتم استخدام بعض القيود على التدابير التي نعرف من خلالها الدلالة الاحصائية ومقياس الاهتمام. أشهر هذه القيود هي ما يعرف بالدعم والثقة. سنضيف ت هنا لـ س و ص هنا اللذان يمثلان القاعدة، و ت هي مجموعة من المعاملات في قاعدة بيانات معينة.

الدعم

من جهة ثانية، دعم س بالنسبة للمعاملات ت، يعرف بأنه نسبة المعاملات هـ في مجموعة البيانات التي تحتوي على مجموعة العناصر س.

من جانب آخر، الدعم هو مؤشر لمدى تكرار ظهور مجموعة العناصر في مجموعة من البيانات.

الببليوغرافيات

  • Extensive Bibliography on Association Rules by J.M. Luna
  • Annotated Bibliography on Association Rules by M. Hahsler
  • Statsoft Electronic Statistics Textbook: Association Rules by Dell Software

ما رأيك في هذه المقالة؟

📝 هل في هذه المقالة خطأ؟

إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.