Web Madenciliği
(Web Mining)
Hazırlayan: M. Ali Akcayol
Gazi Üniversitesi
Bilgisayar Mühendisliği Bölümü
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
2
1
Birliktelik Kuralları

Birliktelik kuralları verilerdeki düzenlemeler için önemli bir yere
sahiptir.

Birliktelik kuralları madenciliği veri madenciliğinin temel çalışma
alanlarından birisidir.

Birliktelik kuralları, üzerinde en çok çalışma yapılan ve yaygın
uygulanan modeldir.

Birliktelik kuralları modelinin amacı, veri parçalarının birlikte
gerçekleşme (co-occurence) ilişkilerinin tümünü ortaya
çıkarmaktır.

*Agrawal ve arkadaşları tarafından 1993 yılında önerilmesinden
sonra bir çok alanda başarılı bir şekilde uygulanmıştır.
* R. Agrawal, T. Imielinski, and A. N. Swami. Mining Association Rules between Sets of Items in Large Databases. In Proc. of
the ACM SIGMOD Intl. Conf. on Management of Data (SIGMOD’93), pp. 207–216, 1993.
3
Birliktelik Kuralları

Birliktelik kural madenciliğindeki klasik uygulama alanı market
sepeti veri analizidir.

Market sepeti analizinde, müşterilerin aldıkları ürünler ile
bunların arasındaki ilişkiler ortaya çıkartılır.
Peynir  Ekmek
[support = 10%, confidence = 75%]

Yukarıdaki kuralda tüm müşterilerin %10’u peynir ve ekmeği
birlikte almıştır (support).

Yukarıdaki kuralda peynir alan müşterilerin %75’i ekmeği de
almıştır (confidence).
4
2
Birliktelik Kuralları

Birliktelik kural madenciliği ürünlerin sırasını gözönüne almaz.

Sıralı örüntü madenciliği ürünlerin sırasıyla ilgilenir.

Sıralı örüntü madenciliğinde “müşterilerin %5’i önce ekmek sonra
peynir daha sonra zeytin almaktadır” şeklinde kural elde edilir.

Bu tür kurallar Web kullanım madenciliğinde clickstream
analizinde veya dilsel örüntülerin bulunması amacıyla kullanılır.
5
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
6
3
Birliktelik Kurallarının Temelleri

Birliktelik kural madenciliği aşağıdaki gibi ifade edilir:

Burada, I parçalar (items) kümesi, T işlemler (transactions)
kümesidir.

Her bir işlem bir grup parçadan oluşan kümedir ve
şeklinde ifade edilir.

Birliktelik kuralı ise aşağıdaki gibi gösterilir:

Burada X ve Y parça kümesi (itemset) olarak ifade edilir.
7
Birliktelik Kurallarının Temelleri
Örnek

Bir müşteri I kümesindeki ürünlere sahip bir marketten üç tane
ürün alıyor. Bu işlem aşağıdaki gibidir.

Bir birliktelik kuralı aşağıdaki gibi olabilir.

Burada,
şeklinde ifade edilir.
8
4
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
9
Support ve Confidence
Support





ti  T transaction’ı, X itemset’ini kapsar (eğer X itemset’i ti
transaction’ının alt kümesi ise (X  ti)).
X itemset’inin destek sayısı (support count), T içerisinde X’i
kapsayan transaction sayısıdır ve X.count şeklinde gösterilir.
X  Y kuralının support değeri, T tüm transaction’lar kümesinde
X  Y itemset’ini içeren transaction’ların oranıdır.
Bir kuralın support değeri, olma olasılığını gösterir ve Pr(X  Y)
şeklinde ifade edilir.
X  Y kuralının support değeri aşağıdaki eşitlikle hesaplanır.
Burada, n toplam transaction sayısını gösterir.
10
5
Support ve Confidence
Confidence




X  Y kuralının confidence değeri, T tüm transaction’lar
kümesinde X ile Y itemset’lerini birlikte içeren transaction’ların,
X’ i bulunduran transactionlar içerisindeki oranıdır.
Bir kuralın confidence değeri, şartlı olasılık ile ifade edilir ve
Pr(Y | X) şeklinde gösterilir.
X  Y kuralının confidence değeri aşağıdaki eşitlikle hesaplanır.
Burada, n toplam transaction sayısını gösterir.
Confidence bir kuralın öngörülebilirliğini (predictability) belirler.
11
Support ve Confidence

Birliktelik kural madenciliği, verilen bir T transaction’lar
kümesinde, önceden belirlenmiş support ve confidence
değerlerine eşit veya büyük olan birliktelik kurallarının elde
edilmesini amaçlar.

Kullanıcı tarafından belirlenmiş olan bu support ve confidence
değerlerine minimum support (minsup) ve minimum confidence
(minconf) denilmektedir.
12
6
Support ve Confidence
Örnek

Aşağıda 7 transaction’a sahip olan T kümesi verilmiştir.

I kümesi markette satılan tüm parçaları içermektedir.

minsup = 30% ve minconf = 80% için kurallar bulalım.

Verilen transaction’lar için aşağıdaki kurallar support = 42,84%
(>30) ve confidence = 100% (>80) değerine sahiptir ve geçerlidir.
13
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
14
7
Apriori Algoritması

Apriori algoritması iki aşamadan oluşmaktadır:

Tüm frequent itemset’lerin oluşturulması. Frequent itemset, minsup
değerine sahip item’lar kümesidir.

Frequent itemset’lerinden güvenilir birliktelik kurallarının oluşturulması.
Güvenilir birliktelik kuralı, minconf değerine sahip kuraldır.

Bir itemset içindeki eleman sayısı k ise bu itemset k-itemset olarak
adlandırılır.

Aşağıdaki itemset, frequent 3-itemset’tir.
15
Apriori Algoritması

minsup = 30% ve minconf = 80% değerlerini alalım.

Yukarıdaki frequent 3-itemset için minsup ve minconf değerlerini
sağlayan aşağıdaki birliktelik kuralları yazılabilir.
16
8
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
17
Frequent itemset oluşturulması

Downward closure property: Eğer bir itemset minsup değerine
sahipse, bu itemset’in boş küme hariç tüm altkümeleri de minsup
değerine sahiptir.

Apriori property: Bir transaction, X’deki item’lara sahipse, X’in boş
küme hariç tüm alt kümelerine de sahip olmak zorundadır.

Pruning: Apriori algoritması minsup değerine sahip olmayan
birliktelik kural adaylarını temizler.
18
9
Frequent itemset oluşturulması


Algoritma I itemset içerisindeki elemanların tümüyle sıralı
(lexicographic order) olduğunu varsayar.
Bir k-itemset aşağıdaki gibi gösterilir ve w[1], w[2], … w[k] birer
item’dır.

Apriori algoritması tüm frequent itemset’lerin verileri üzerinden
birden çok kez geçerek işlem yapar.

Apriori algoritması level-wise search yapar ve her geçişte her bir
item için support değerlerini ve frequent olup olmadıklarını
belirler.

Önce her bir item için frequent 1-itemset’i oluşturur ve her
iterasyonda 2-itemset, 3-itemset şeklinde artarak devam eder.
19
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
20
10
Algoritma
Her item için support değeri hesaplanır. Candidate 1-itemset oluşturulur.
1-itemset
Candidate k-itemset oluşturulur.
Candidate k-itemset
elemanlarının T içerisindeki
sayısı (support) bulunur.
Frequent k-itemset oluşturulur.
21
Algoritma
Son elemanları farklı
Joining aşaması
Pruning aşaması
22
11
Algoritma
Örnek

Aşağıda 3. seviyede oluşturulan frequent 3-itemset verilmiştir.

Join aşamasında {1, 2, 3, 4} ve {1, 3, 4, 5} oluşturulur.

{1, 2, 3, 4} birinci ve ikinci itemset’leri ile oluşturulur.

{1, 3, 4, 5} ise {1, 3, 4} ile {1, 3, 5} itemset’leri ile oluşturulur.

Pruning aşamasında sonra sadece {1, 2, 3, 4} kalır.

{1, 4, 5} kümesi, 3-itemset içerisinde frequent item olmadığından
dolayı {1, 3, 4, 5} silinir.
23
Algoritma
Örnek
24
12
Algoritma
Örnek

Aşağıda 7 transaction’a sahip bir T kümesi verilmiştir.

minsup = 30% olarak alınarak tüm frequent itemset’lerini bulalım.
25
Algoritma
Örnek – devam

Her item sonunda support değerleri verilmiştir. Support değerinin
en az 3 olması yeterlidir (3/7 > 30%).
{Beef, Cheese, Chicken} oluşturulur.
Ancak, {Cheese, Chicken} F2 içinde
olmadığından, {Beef, Cheese, Chicken} silinir
ve C3 içerisinde yer almaz.
26
13
Algoritma
Algoritmanın değerlendirilmesi

Teorik olarak exponential bir algoritmadır. I kümesindeki eleman
sayısı m ise O(2m) karmaşıklığına sahiptir.

Market sepeti örneğinde olduğu gibi, market çok sayıda ürünü
satar ancak müşteri bir kısmını alır (sparseness). Algoritma
transaction kümesindeki veri seyrekliğine göre daha etkin çalışır.

Algoritma tüm veriyi hafızaya yüklemeden çalışır ve verileri teker
teker tarayıp işlem yapar (satır 5-10 arasında). Ölçeklenebilirliği
yüksektir ve çok büyük boyutlardaki veriler üzerinde çalışabilir.

Level-wise search yaptığından istenilen seviyede sonlandırılabilir.

Birliktelik kurallarında çok sayıda (binlerce) kural oluşturulabilir ve
faydalı olanların bulunması çok zordur (Interestingness problem).
27
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
28
14
Birliktelik Kuralı Oluşturulması

Bazı uygulamalarda frequent itemset’leri kullanarak tüm birliktelik
kurallarının oluşturulması gereklidir.

Bir f frequent itemset için kural oluştururken f kümesinin tüm
altkümeleri kullanılır.

Confidence değerine bağlı olarak bir frequent item için kural
aşağıdaki gibi elde edilebilir:


Burada f.count ile (f-).count tüm transaction kümesi T’deki
sayılarını gösterir.
f frequent item için support değeri ise f.count/n ile gösterilir.
29
Birliktelik Kuralı Oluşturulması

Eğer f frequent itemset ise, Apriori algoritması boş küme hariç
tüm altkümelerinin de frequent itemset olmasını gerektirir.

Bu yüzden kural oluştururken yeniden itemset taramasına gerek
yoktur.


Eğer (f-)   kuralı geçerliyse, (f-sub)  sub kuralları da
geçerlidir.
Eğer {A, B, C, D} itemset için (A, B  C, D) kuralı geçerliyse,
(A, B, C  D) ve (A, B, D  C) kuralları da geçerlidir.
30
15
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
31
Algoritma

Öncelikle 1 elemana sahip ardıl kısımlardan oluşan kurallar elde
edilir.
Son elemanlardan
oluşan küme
1 elemanlı ardıl
kısımlara sahip
kurallar
oluşturulur.
minsup = %30 ve minconf = %80
32
16
Algoritma
{Chicken, Clothes, Milk}.count/Clothes.count
33
Algoritma
Örnek

Aşağıdaki T kümesi için minsup = %30 ve minconf = %80 olsun.

Aşağıdaki frequent itemset’ler elde edilir.
34
17
Algoritma
Örnek – devam

F3 için kurallar aşağıdaki gibi elde edilebilir.

minconf = %80 gerektiğinden dolayı genRules() algoritmasının
2.satırında 1. ve 3.kurallar alınır.

Böylelikle H1 = {{Chicken}, {Milk}} olarak elde edilir.

F3 ve H1 için ap-GenRules() algoritması çağrılır. Bu algoritmanın
2.satırındaki candidate-gen() fonksiyonuyla H2 = {{Chicken, Milk}}
elde edilir.
35
Algoritma
Örnek – devam

ap-GenRules() algoritmasının 2.satırında H2 = {{Chicken, Milk}} elde
edildikten sonra aşağıdaki 4.kural oluşturulur:

F3 = {Chicken, Clothes, Milk} frequent itemset’i kullanılarak aşağıdaki
4 kural elde edilmiş olur.

Bunlardan bir tanesi minconf değerini sağlamadığından silinir.
36
18
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
37
Birliktelik Kural Madenciliği için Veri Formatları

Birliktelik kural madenciliği ilişkisel veritabanlarında da uygulanabilir.

VTYS içerisindeki tablonun bir transaction veri kümesine
dönüştürülmesi gereklidir. Bunun için özeelik-değer (attribute-value)
ikilisinin elde edilmesi yeterlidir.

Aşağıda bir tablodan transaction kümesi elde edilmiştir.
38
19
Birliktelik Kural Madenciliği için Veri Formatları

Eğer VTYS içerisindeki tablo kategorik veri yerine sayısal veri
içeriyorsa değer aralığı belirli parçaya bölünerek dönüştürme işlemi
yapılabilir.

Örneğin 1-100 arasındaki sayısal değerlere sahip bir alan için 1-20,
21-40, 41-60, 61-80, 81-100 aralıkları alınarak kategorik değer
ataması yapılabilir.
a = 1-20
b = 21-40
c = 41-60
d = 61-80
e = 81-100
39
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
40
20
Çoklu Minimum Destek

Birliktelik kural madenciliğinde tek minsup değeri kullanılması bazı
uygulamalarda uygun olmayabilir.

Tüm veriler aynı öneme, sıklığa veya yapıya sahip olmayabilir.

Bazı veriler sık olmasa da daha büyük öneme sahip olabilir.

Bu durumda bazı sorunlar ortaya çıkar:


minsup değeri yüksek olursa bazı önemli kurallar sık olmadığı için elde
edilemez.

minsup değeri düşük olursa çok sayıda kural elde edilir ve birliktelik
kural madenciliği oldukça zorlaşır.
E-ticaret sitelerinde bazı ürünler pahalıdır ve az sıklıkta satılır.
Ancak bu ürünlere yönelik kurallarda önemlidir.
41
Çoklu Minimum Destek
Örnek
 Bir süpermarkette az sayıda satılan FoodProcessor ve CookingPan
ürünleri için kural bulmak istiyoruz.
 Az sıklıkta olduğundan minsup değerinin çok küçük olması gerekiyor.
 minsup = %0,006 olarak alınsın. Aşağıdaki gibi bir frequent itemset
bulunabilir:

Düşük minsup değerinden dolayı aşağıdaki anlamsız frequent
itemset’lerde elde edilebilir:

Her iki frequent itemset gereksizdir. Çünkü hemen hemen her
alışverişte bu item’lar yer alırlar.
42
21
Çoklu Minimum Destek

Bu sorun veriyi bloklar halinde parçalayarak her parça için ayrı ayrı
madencilik yapılarak çözülebilir. Ancak, ayrı bloklardaki aynı itemler
için kurallar elde edilemez.

Bu sorun için en iyi çözüm her item için farklı minimum support
değeri (minimum item support (MIS)) belirlenmesidir.

Bu sayede farklı sıklıkta ve farklı öneme sahip item’lar için ayrı
support değerleri kullanılarak anlamlı kurallar elde edilebilir.

MIS (i), i.item için minimum support değeri olsun. Bir R kuralı için
minimum support değeri aşağıdaki ifade edilir:
43
Çoklu Minimum Destek
Örnek

Bir itemset {Bread, Shoes, Clothes} için kullanıcı tanımlı MIS değerleri
aşağıdaki gibi olsun:

Aşağıdaki kural minimum support değerini karşılamaz. Çünkü,
min(MIS(Bread), MIS(Clothes)) = %0,2’dir (Support değerinin 0,2’den
büyük olması gerekir.).

Aşağıdaki kural minimum support değerini karşılar. Çünkü,
min(MIS(Shoes), MIS(Clothes)) = %0,1’dir.
44
22
Çoklu Minimum Destek
Örnek

{1, 2, 3, 4} itemset için MIS değerleri aşağıdaki olsun:

Eğer 2.seviyede {1, 2} itemset için support %9 bulunursa, MIS(1) ve
MIS(2) değerlerini sağlamaz. Bu durumda, Apriori algoritması {1, 2}
itemset’i atar.

Böylelikle, {1, 2, 3} ve {1, 2, 4} itemset’leri de üst seviyede
oluşturulamaz. Bu itemset’ler MIS(3) = %5 ve MIS(4) = %6
değerlerini sağlamaktadır.

Ancak, {1, 2} itemset’i silinmezse downward closure özelliği
kaybolur.
45
Çoklu Minimum Destek

Bir itemset içerisinde çok sık ve çok az item’ların yer almasını
önlemek için farklı yöntemler kullanılmaktadır.

Örneğin, maksimum ve minimum support değerlerinin uzaklığını
(farkını) belirlemek için sabit fark kısıtı konulabilir.

Aşağıdaki ifadede sup(i), i.item için support değerini göstermektedir.

Bu kısıt ile birlikte çok sayıda frequent itemset oluşturulması da
engellenmiş olur.
46
23
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
47
Sınıf Birliktelik Kural Madenciliği

Bazı uygulamalarda kurallar için kullanıcı hedef değer belirleyebilir.

Örneğin bir grup doküman için hangi konuya yönelik olduğunu
içeren bilgiye ulaşılmak istenebilir.

T kümesi n tane transaction’dan oluşursa, her transaction bir y sınıfı
ile eşleştirilebilir.


I tüm item’lar kümesi ve Y ise tüm sınıflar kümesi ise I  Y =  dir.
Bir sınıf birliktelik kuralı (class association rule - CAR) aşağıdaki
tanımlanır:
X  y, burada X  I, ve y  Y dir.

Support ve confidence değerleri normal birliktelik kurallarındaki gibi
hesaplanır.
48
24
Sınıf Birliktelik Kural Madenciliği

CAR’larda hedef eleman bir tanedir ve bir sınıfı gösterir. Normal
birliktelik kurallarında birden fazla eleman olabilmektedir.

CAR madenciliğindeki amaç, kullanıcı tanımlı minsup ve minconf
değerlerine sahip tüm kuralların bulunmasıdır.
49
Sınıf Birliktelik Kural Madenciliği
Örnek

Aşağıda 8 doküman ile 2 sınıf arasındaki eşleştirme görülmektedir.

minsup = %20 ve minconf = %60 için iki kural aşağıdaki yazılabilir.
50
25
Konular




Birliktelik Kuralları
Birliktelik Kurallarının Temelleri
Support ve Confidence
Apriori Algoritması



Birliktelik Kuralı Oluşturulması




Frequent itemset oluşturulması
Algoritma
Algoritma
Birliktelik Kural Madenciliği için Veri Formatları
Çoklu Minimum Destek
Sınıf Birliktelik Kural Madenciliği


Algoritma
Çoklu Minimum Destek ile Madencilik
51
Algoritma

CAR doğrudan tek adımla elde edilebilmektedir. Temel işlem minup
değerini sağlayan ruleitem’larını bulmaktadır.

Bir ruleitem
(condset, y)

şeklinde tanımlanır. Burada condset  I, ve y  Y dir.

condset için support değeri (condsupCount), T içerisinde condset’i
bulunduran transaction sayısıdır.

ruleitem için support değeri (rulesupCount), T içerisinde condset’i
ve y sınıfını birlikte bulunduran transaction sayısıdır.

Her ruleitem aşağıdaki gibi bir kuralı gösterir:
condset  y
52
26
Algoritma

condset  y şeklindeki bir kural için support ve confidence değeri
(condset  y).support = (rulesupCount / n)
(condset  y).confidence = (rulesupCount / condsupCount)
şeklinde ifade edilir.

minsup değerini sağlayan ruleitem’lar frequent ruleitem’dır.
53
Algoritma

({Student, School}, Education) ruleitem için:
condsupCount ({Student, School}) = 2
rulesupCount ({Student, School}, Education) = 2
({Student, School}, Education).support = 2/7 (%28,6)
({Student, School}, Education).confidence = 2/2 (%100)
54
27
Algoritma
|condSet| = 1
Aday frequent 1-ruleitem
|condSet| = 1 olan CAR kümesi
Yeni aday küme Ck oluşturuldu.
Aynı sınıfa ait olan condset’ler kullanılır.
condSet sayıldı
ruleitem sayıldı
Frequent item yapıldı.
CARk kümesine eklendi.
Tüm CAR kümesi elde edildi.
55
Algoritma
Örnek

Aşağıdaki veri için minsup = %15 ve minconf = %70 alınıyor.

İlk sayı condSupCount ikinci sayı ruleSupCount değerini gösterir.
56
28
Algoritma
Örnek – devam

İlk sayı condSupCount ikinci sayı ruleSupCount değerini gösterir.
57
Algoritma
Örnek – devam

İlk sayı condSupCount ikinci sayı ruleSupCount değerini gösterir.
58
29
Ödev

Birliktelik kurallarının kullanım alanları hakkında detaylı bir
araştırma ödevi hazırlayınız.
59
30
Download

Sunum dosyası - Gazi Üniversitesi