Асоціативні правила

1.

Пінчук І.В ІНБ 1-21-4.0д

2.

Асоціативні
правила
інструмент аналізу даних.
важливий
Виявляють приховані закономірності та
взаємозв'язки.
Використовуються
в
маркетингу,
роздрібній торгівлі, медицині.
Сприяють оптимізації бізнес-процесів,
розвитку нових продуктів і послуг.

3.

• Асоціативні правила - висловлювання "якщо-те",
які вказують на взаємозв'язки між елементами.
• Наприклад: "якщо купують хліб, то ймовірно
куплять масло".
• Допомагають бізнесу робити висновки про
поведінку покупців.

4.

1
• Транзакція: набір
елементів, що
розглядаються
разом.
• Множина
елементів:
сукупність всіх
можливих
елементів у
транзакціях.
2
• Підтримка
(support): частка
транзакцій, що
містять певний
набір елементів.
• Достовірність
(confidence):
ймовірність
появи елементів
разом.
3
• Підйом (lift): важливість
правила, розрахована
як співвідношення
достовірності до
частоти появи правої
частини правила.

5.

• Бінарні правила: працюють з бінарними
векторами (присутність/відсутність товару).
• Кількісні правила: працюють з числовими
значеннями (кількість придбаного товару).

6.

Прості правила: містять невелику кількість умов
("якщо купують молоко, то купують хліб").
Складні правила: містять багато умов ("якщо купують
молоко і хліб, то також купують масло і сир").

7.

• Однонаправлені правила: взаємозв'язок в
одному напрямку ("якщо купують хліб, то купують
масло").
• Двонаправлені правила: взаємозв'язок в обох
напрямках ("якщо купують хліб, то купують масло і
навпаки").

8.

Детерміновані правила: завжди вірні ("якщо купують
товар А, то завжди купують товар Б").
Стохастичні правила: вірні у певному відсотку
випадків ("якщо купують товар А, то з ймовірністю
80% купують товар Б").

9.

1
2
Побудова частих
множин:
знаходження
підмножин елементів
з високою
підтримкою.
Генерація правил:
побудова правил з
частих множин і
обчислення їхніх
метрик
(достовірність,
підйом).

10.

1
2
3
визначення
частих
одиничних
елементів.
побудова
кандидатних
множин з
двох
елементів.
генерація правил
і обчислення їхніх
метрик.

11.

-Growth
• Побудова FP-дерева: перетворення даних у
компактне дерево частих патернів.
• Обхід дерева: побудова частих множин шляхом
обходу FP-дерева.

12.

-Growth
FP-Growth
більш
продуктивний
для великих
наборів даних.
Apriori
простіший у
реалізації.
FP-Growth
використовує
компактне
представлення
даних.

13.

Eclat: базується на вертикальному поданні даних.
H-Mine: використовує гіпер-структури для
ефективного знаходження частих множин.

14.

1
2
Аналіз покупок і
виявлення
патернів
купівельної
поведінки.
Оптимізація
розміщення
товарів на
полицях
магазину.

15.

1
2
Розробка
рекомендаційн
их систем.
Персоналізов
ані пропозиції
для клієнтів на
основі їхніх
покупок.

16.

1
2
Виявлення
взаємозв'язків
між
симптомами та
діагнозами.
Покращення
діагностики та
лікування
пацієнтів.

17.

1
2
Виявлення
шахрайських
транзакцій.
Оцінка ризиків
інвестицій.

18.

1
2
Аналіз
взаємодій між
користувачами.
Виявлення груп
впливу та
впливових
користувачів.

19.

1
2
Оптимізація
виробничих
процесів і
управління
запасами.
Виявлення
патернів
використання
ресурсів.

20.

-
-