2. Асоциативни правила

1. АСОЦИАТИВНИ ПРАВИЛА

2. АСОЦИАТИВНИ ПРАВИЛА

Извличането
на
асоциативни
правила
е
базирано
на
откриването на интересни връзки между променливи в големи
бази данни. Той има за цел да идентифицира строги правила,
открити в базите данни, използвайки някои мерки за интерес. Във
всяка транзакция с различни елементи асоциативните правила
имат за цел да открият правилата, които определят как или защо са
свързани определени елементи.
June 23, 2026
2

3. АСОЦИАТИВНИ ПРАВИЛА

Въз основа на концепцията за силни правила, Rakesh Agrawal,
Tomasz Imieliński и Arun Swami
въвеждат асоциативните
правила за откриване на закономерности между продукти в
широкомащабни транзакционни данни, записани от системите
за продажба (POS) в супермаркетите. Например правилото { лук ,
домати} ⇒ {месо за хамбургер)}, намерено в данните за
продажбите на супермаркет, би означавало че ако клиент купи
лук и картофи заедно, вероятно ще купи и месо за хамбургер.
Такава информация може да се използва като основа за
решения относно маркетингови дейности, като например
промоционални цени или позициониране на продукти.
June 23, 2026
3

4. Асоциативни правила – анализ на пазарната кошница

June 23, 2026
4

5. Асоциативни правила – анализ на пазарната кошница

June 23, 2026
5

6. Асоциативни правила – анализ на пазарната кошница

June 23, 2026
6

7. Асоциативни правила – анализ на пазарната кошница

June 23, 2026
7

8. Асоциативни правила – анализ на пазарната кошница

June 23, 2026
8

9. Асоциативни правила – анализ на пазарната кошница

June 23, 2026
9

10. АСОЦИАТИВНИ ПРАВИЛА

В допълнение към горния пример от анализ на пазарната
кошница, асоциативните правила се използват днес в много
области на приложение, включително откриването
на уеб
използване (web data mining), откриване на проникване,
непрекъснато производство и биоинформатиката.
За
разлика
от
извличането
на
последователности,
обучението на правилото за асоцииране обикновено не отчита
реда на елементите в рамките на транзакция или между
транзакциите.
June 23, 2026
10

11. АСОЦИАТИВНИ ПРАВИЛА

Данните
се
разпределят
чрез
правила,
подобни
на
класификационните, като добавим че могат да предвиждат
всеки атрибут, не само класа му.
Според различните асоциативни правила могат да се
извлекат различни характеристики на данните.
Правилата могат да се извлекат от малка еднородна част с
данни и разумно да се приложат върху по-големи масиви, за да
се постигне по-висока прецизност.
June 23, 2026
11

12. АСОЦИАТИВНИ ПРАВИЛА

Асоциативни правила могат да се извличат от дървото на
решенията или чрез стартиране на процес от изисквания и
проверки. Често се използват правилата от вида „ако то”. Прилагат
се в случаите, когато са налични верижни събития.
Асоциативният
анализ
изследване
на
скрити
елементите
в
големи
и
се
използва
интересни
масиви
с
за
откриване
зависимости
данни.
и
между
Извлечените
закономерности се представят под формата на асоциативни
правила или като множества от чести елементи
June 23, 2026
12

13. Откриване на чести елементи

June 23, 2026
13

14. АСОЦИАТИВНИ ПРАВИЛА

Асоциативните правила началото си от анализа на
пазарната кошница, чиято цел е да бъде изследвано
потребителкото поведение на клиентите.
Складираните данни се претърсват за незабележими на
пръв поглед зависимости в множествата от елементи (item
sets), представени под формата на транзакции и най-често
съхранявани в релационни бази от данни или хранилища.
June 23, 2026
14

15. АСОЦИАТИВНИ ПРАВИЛА

Асоциативното правило има две части - антeцедент (A) и
консеквент (B). Антецедентът (antecedent) е елемент (или
множество от елементи) намерени в данните. Консеквентът
(consequent) е елемент (или множество от елементи), които са
намерени в комбинация с антецендента.
Правилата се записват във вида:
If A then B (A B).
June 23, 2026
15

16. АСОЦИАТИВНИ ПРАВИЛА

Друго
използвано
означение
за
двете
множества
в
асоциативните правила са лява (LHS - left-hand side) и дясна
страна (RHS- right-hand side). Лявата съответства на антецедента,
а дясната на консеквента.
Асоциативното правило представя зависимостта между
множествата на антецедента и консеквента. Съществуват две
основни мерки, описващи зависимостите в правилата подкрепа (support) и доверие (confidence).
June 23, 2026
16

17. АСОЦИАТИВНИ ПРАВИЛА

Обхватът
(coverage)
или
подкрепата
(support)
на
асоциативното правило е равен на броя на групите, за които то
е предсказало коректно.
Подкрепата
на
асоциативното
правило
е
частта
от
транзакции, каято съдържа антецедента и консеквента. За
правилото A B, подкрепата е равна на :
support (A B) = support (A B).
Data Mining: Concepts and Techniques
June 23, 2026
17

18. АСОЦИАТИВНИ ПРАВИЛА

Прецизността
(accuracy),
наричана
още
доверие
(confidence) е броя на групите, за които правилото е
предсказало коректно, изразена като отношение от всички
групи, върху които е приложено, т.е доверието се равнява на
процента от сделките, които съдържат A, но също ще съдържат и
B:
confidence (A B) = support (A B) / support (A)
June 23, 2026
18

19. АСОЦИАТИВНИ ПРАВИЛА

При висока подкрепа, доверието е добра прогноза, че
елементите от предшествениците, т.е анализираните вече
транзакции, ще се съдържат и в предстоящите записи.
lift (A => B) =
confidence A B P A B
P B
P A P B
June 23, 2026
19

20. Алгоритми за извличане на чести елементи и създаване на асоциативни правила

Представени са основните три подхода за извличане на
асоциативни правила- Apriori, FP-Growth, Eclat.
Поради
огромното
приложение
на
асоциативния
анализ
съществуват много негови оптимизации.
June 23, 2026
20

21. Алгоритми за извличане на чести елементи и създаване на асоциативни правила – Apriori- претърсване на данните по широчина

Основният алгоритъм за извличане на чести елементи и генериране
на асоциативни правила е Apriori. Подходът приема, че ако едно
множество е често, то и неговите съставни подмножества ще бъдат
чести. С помощта на това свойство алгоритъмът редуцира в голяма
степен обема от транзакции за претърсване. Apriori извлича
асоциативните правила чрез двустъпков процес - намиране на честите
множества от елементи по зададена честота за транзакциите и
използването им за създаване на асоциативни правила, които
трябва да отговарят на зададена покрепа и доверие
June 23, 2026
21

22. Алгоритми за извличане на чести елементи и създаване на асоциативни правила - Apriori

Първоначално
Apriori
преминава
през
базата
данни,
изчислявайки подкрепата на всеки единичен елемент.
За целта потребителят трябва да е задал минимален праг на
подкрепа.
Елементите, които неудовлетворяват зададеният минимум се
отстраняват.
June 23, 2026
22

23. Алгоритми за извличане на чести елементи и създаване на асоциативни правила - Apriori

На следващата стъпка се извършва генериране на кандидат-
множества. Изчислява се тяхната подкрепа и се сравнява с
минималния праг.
Процесът се повтаря докато се извлекат всички чести елементи.
На третата стъпка се осъществява съставянето на асоциативните
правила. Чрез критериите "подкрепа" и "доверие" се намира силата на
откритите
зависимости,
изследователя.
т.е
дали
те
представляват
интерес
за
June 23, 2026
23

24. Алгоритми за извличане на чести елементи и създаване на асоциативни правила - Apriori

Алгоритъмът Apriori е много ефективен при малки чести
множества, съдържащи голям набор от елементи на базата данни.
При
големи
количества
от
информация
не
предоставя
достатъчно добра производителност - броят на често срещаните
елементи, които за по-кратко ще наричаме "чести елементи", може
значително да надхвърли броя на транзакциите, което забавя
комбинирането на кандидат-множествата и последващото отсяване
на честите елементи.
June 23, 2026
24

25. асоциативни правила - Apriori

Поради тези затруднения на алгоритъма са въведени различни
техники за откриване на чести множества от елементи.
Closed frequent item sets - подходът редуцира броят на честите
множества от елементи. Едно множество от елементи I е
"затворено", ако няма супермножество (superset) S на I, така че
support(S)=support(I). При равна подкрепа на двете множества, те
ще намират в едни и същи транзакции едновременно. От "closed
frequent itemsets" и тяхната подкрепа могат да бъдат определени
всички чести множества (frequent itemsets). За сметка на
изчислителните предимства има вероятност подходът да
редуцира броя на асоциативните правила.
June 23, 2026
25

26. асоциативни правила - Apriori

Maximal frequent item sets - подходът разрешава проблема с
прекалено дългите транзакции, които забавят Apriori. Едно
множество от чести елементи е максимално, ако няма
подмножество, което да се съдържа в останалите чести
множества от елементи. Множеството на максималните чести
елементи (Maximal frequent item sets) e подмножество на
множеството на крайните чести елементи (Closed frequent item
sets), което дава по-голяма изчислителна ефективност.
June 23, 2026
26

27. асоциативни правила - Apriori

Sampling - този подход извлича представителна извадка от
базата данни. Тя се обработва чрез статистически техники.
Освен разработените подходи за откриване на чести елементи за
Apriori, съществуват и голям брой негови оптимизации и вариации
за извличане на по-сложни класове асоциативни правила.
June 23, 2026
27

28. асоциативни правила - Apriori

June 23, 2026
28

29. асоциативни правила – FP-Growth – претърсване на данните в дълбочина

Алгоритъмът Fp-Growth извлича асоциативни правила без
генериране на кандидат-множества.
Конструира
се
Fp-Tree
структура
чрез
сканиране
на
транзакциите една по една и записването им като пътища по
дървото.
Алгоритъмът обработва дървото по рекурсивен начин.
June 23, 2026
29

30. асоциативни правила – FP-Growth – претърсване на данните в дълбочина

Конструирането на Fp-Tree преминава през следните няколко
етапа.
Първоначално се сканират входните данни като се намира
подкрепата за всеки елемент.
Нечестите елементи се отстраняват, а честите се сортират в
низходящ ред (във вид на списък).
June 23, 2026
30

31. асоциативни правила – FP-Growth – претърсване на данните в дълбочина

Извършва се второ сканиране на входните данни като на тази
стъпка транзакциите се нанасят една по една като пътища на Fp-
Tree.
Елементите в транзакцията се сортират, в съответствие със
списъка с честите елементи.
Ако има възел, съответстващ на обработвания елемент се
увеличава брояча на възела и се изгражда пътя. Ако няма такъв
възел (уникална транзакция) се формира нов и се задава брояч със
June 23, 2026
31

32. асоциативни правила – FP-Growth – претърсване на данните в дълбочина

Процесът
се
повтаря
докато
всяка
транзакция
бъде
изобразена на дървото.
За всеки чест елемент се създава условен списък с възможните
пътища до елемент (F-list). Благодарение на него се построява
условно Fp-Tree.
Следва рекурсивно извличане на всички чести подмножества
на елемента.
June 23, 2026
32

33. асоциативни правила – FP-Growth – претърсване на данните в дълбочина

Предимство на алгоритъм Fp-Growth е бързодействието, с което
открива честите елементи. Построява дървото като спестява
стъпката по генерирането на кандидат-множества.
Недостатък е, че при много големи бази от данни е възможно
да бъдат изразходени прекалено много изчислителни ресурси
(памет).
June 23, 2026
33

34. асоциативни правила – FP-Growth – претърсване на данните в дълбочина

June 23, 2026
34

35. Извличане на асоциативни правила чрез преобразуване на базата данни във вертикален формат. Алгоритъм Eclat - претъсване на

Представените алгоритми Apriori и Fp-Growth използват
хоризонтален формат на представяне на данните.
За разлика от тях Еclat представя информацията във
вертикална формат.
За всеки елемент от базата данни се съставя транзакционен
списък, съдържащ номерата на транзакциите, в които се
среща.
June 23, 2026
35

36. Извличане на асоциативни правила -Eclat

При първото сканиране на базата данните се преобразуват от
хоризонтален във вертикален формат. Подкрепата на елемент се
представя чрез дължината на неговия транзакционен списък.
Потребителят задава минимална подкрепа. Удобен начин за
представяне на алгоритъма е битова матрица като всеки ред
съответства на елемент, а всяка колона на транзакция. Ако елементът
се съдържа в транзакцията се поставя бит(1), в противен случай се
изтрива.
June 23, 2026
36

37. Извличане на асоциативни правила -Eclat

Еclat съставя и претърсва префиксно дърво. От възел към
неговия първи наследник се преминава чрез изграждане на нова
битова матрица от пресичането на първият ред с всички
останали.
За втория наследник на възела се пресича вторият ред със
всички следващи записи и т.н. Пресмята се броя на
транзакциите, съдържащи елемента, за да се определи
неговата подкрепа.
June 23, 2026
37

38. Извличане на асоциативни правила -Eclat

След извличане на всички чести елементи следва създаване на
кандидат-множествата, използвайки свойството на Apriori.
Процесът се повтаря докато бъдат намерени всички кандидат-
множества.
Предимство от извличането на данни във вертикален формат е, че
не е необходимо да се извършват сканирания на базата, за да се
пресметне подкрепата на всички кандидат-множества. Допълнително
улеснение е транзакционният списък, който спестява ресурси и време
по изчислението на подкрепата за елементите.
June 23, 2026
38

39. Извличане на асоциативни правила -Eclat (+ свойството Apriori)

June 23, 2026
39

40. Реализации

June 23, 2026
40

41. Реализация на алгориъм за извличане на чести елементи и генериране на асоциативни правила Apriori чрез чрез средствата на

За реализацията на извличането на асоциативни правила чрез езика
R са използвани метеорологочните записи от база данни "weather". За
тестването е създадена виртуална таблица / изглед с данни за времето -
влажност, наличие на вятър, температура, детектор за наличие на дим
и инфра-червена камера. Въведени са 102 записа, които ще послужат за
откриването на скрити зависимости в данните. Преди да се пристъпи
към анализа е необходимо да се осъществи връзка между системата за
управление на база данни (СУБД) MySQL (MySQL Connector- ODBC) и
интегрираната среда за разработка.
June 23, 2026
41

42. APRIORI

June 23, 2026
42

43. APRIORI

След като е наличен исталиран драйвер за достъп до базата данни
е необходимо да се провери дали е инсталирана библиотеката в R,
осъществяваща връзката с помощта на драйвера. Тя се нарича RODBC
и ако не е налична се инсталира с командата install.packages("ODBC").
Следва да се зареди библиотеката и да се запише връзката до
конкретната база данни. Следва достъпването на данните от
виртуалната таблица "weather_data" и зареждане на библиотеката,
поддържаща техниките за извличане на асоциативни правила.
June 23, 2026
43

44. APRIORI

Осъществяване на връзка и избор на данни в R
June 23, 2026
44

45. APRIORI

При стартирането на процеса по извличане на асоциативни правила е
необходимо да се обозначи кой метод ще бъде използван. За текущата
реализация е зададена употребата на Apriori алгоритъм със стойности за
минималн праг на подкрепа 0.4 и за минимален праг на доверие 0.7.
June 23, 2026
45

46. APRIORI

След сканирането на данните е получен резултат от 6 асоциативни
правила. За по-голяма прегледност е зададено те да бъдат сортирани по
тяхната стойност за подкрепа.
June 23, 2026
46

47. APRIORI

Следва изпълнение на процедура по окастряне на асоциативните
правила, за да се определи кои от тях могат да бъдат надежден
критерии за преценка и предвиждане на бъдещи температурни
зависимости.
June 23, 2026
47

48. APRIORI

Като резултат са получени 4 асоциативни правила, представящи
зависимостите в наличните данни. Необходимо е да се отбележи
факта, че при по-големи количества входна информация има поголяма вероятност за извличане на силни асоциативни правила. При
натрупване на информация в базата данни в определен момент от
време ще бъде възможно предвиждането на вероятността от пожар
при конкретни температурни зависимости.
June 23, 2026
48

49. FP-GROWTH

Процесът по извличане на асоциативни правила ще бъде
илюстриран със софтуера RapidMiner, който използва като основен
алгоритъм Fp-Growth. За целта на анализа е съставена примерна
релационна база от данни за малка част от дейността на банка. За
реализацията и е използвана системата за управление на бази от
данни
MySQL,
чието
администриране
е
осъществено
чрез
инструмента dbForge Studio Express for MySQL. Схемата на базата
данни е показана на фиг.24. Въведената информация е с обем от 102
записа.
June 23, 2026
49

50. FP-GROWTH

За текущото изследване е осъществена връзка към MySQL базата
данни "bank" чрез оператора Read Database. За целта той се поставя в
режим Design и се нaстройва спрямо съпътстващите го параметри=
Конфигурирана е връзката от RapidMirer към MySQL и е извлечена
необходимата информация от базата данни чрез SQL заявка.
Анализът е извършен със записите от таблица "zaemi".
June 23, 2026
50

51. FP-GROWTH

При стартиране на процеса данните се извеждат в режим Result
Overview, изглед Data View. В изглед Meta Data View се преглеждат
типовете на данните и някои налични статистики за тях. Таблицата със
заемите съдържа данни от тип real и тип integer. Операторът GP-Growth
се нуждае от биноминални (binominal) данни, за да извлече честите
елементи. За елиминиране на различията на данните се извършва
предварителна обработка. С цел да се получи по-структуриран,
прегледен и разбираем процес, етапите от трансформацията на
информацията ще бъдат проведени в подпроцес, реализиран чрез
оператора Subprocess. Подпроцесът представлява вътрешно ниво на
обработка. На входния порт на оператора Subprocess се подават входните
записи, в него те се преработват, а на изходния порт ще бъдат подадени
подходящите данни за генериране на чести множества.
June 23, 2026
51

52. FP-GROWTH

Асоциативният анализ се извършва с част от полетата на
таблицата - lihva_v_%, srok_meseci и zaem. Записите са селектирани
чрез оператор Select Attributes. Предварителната обработка на
данните започва с дискретизация по честота, осъществена чрез
оператора Discretize by Friquency. Като резултат се получават данни
от номинален тип.
Оператор Subprocess
Част от данните, преобразувани в номинален тип
June 23, 2026
52

53. FP-GROWTH

Във втората стъпка от подготовката на данните се извършва
преобразуване на данните от номинален в биноминалeн тип
(binominal). За целта към подпроцеса се добавя и оператор
Nominal to Binominal. Настройват се неговите параметри и
изходният порт на оператора се подава към изхода на
подпроцеса.
Операторите за предварителан обработка, намиращи се в подпроцеса
June 23, 2026
53

54. FP-GROWTH

При повторното стартиране на процеса се генерират биноминални
(binominal) данни, които се предават на изхода на подпроцеса. Част от
предварително обработените данни са показани в изгледи Data View и
Meta Data View.
June 23, 2026
54

55. FP-GROWTH

При налични, предварително обработени данни започва
процeсът на откриване на асоциативни правила. На първата
стъпка се реализира извличане на чести елементи. Както беше
споменато, RapidMiner използва алгоритъм Fp-Growth, за да
генерира чести множества. Изходният порт от оператора Nominal
to Binominal се свързва с изходния порт на подпроцеса. В процеса се
добавя оператор FP-Growth. като се прикача входният му порт към
изходния порт на подпроцеса. Задава се минимална подкрепа за
честите елементи. Нейната стойност варира от 0 до 1. За процеса е
зададен минимален праг от 0,35.
June 23, 2026
55

56. FP-GROWTH

Процесът се стартира и откриването на чести елементи започва.
Резултатът от работата на оператора FP-Growth:
Получени чести елементи от базата данни
June 23, 2026
56

57. FP-GROWTH

Благодарение на извлечените чести елементи и оператор Create
Association Rules започва създаването на асоциативни правила,
които потенциално се намират в базата данни. Задава се доверие за
правилата, което може да приема стойности от 0 до 1. За анализа е
записан
минимален
праг
от
0,6.
Асоциативните
правила,
удовлетворили минималния праг подкрепа от 0,3 и минималният
праг на доверие от 0,6 са показани:
June 23, 2026
57

58. FP-GROWTH

June 23, 2026
58

59. FP-GROWTH

Извлечените асоциативни правила от базата данни са следните:
Правило 1: Ако лихвата на заема е до 3,3%, тогава той ще бъде
изплатен в срок до 73 месеца;
Правило 2: Ако лихвата на заема е до 3,3 %, тогава той ще бъде с
размер до 23,500 лв;
Правило 3: Ако заемът е в срок до 73 месеца, тогава лихвата му ще
бъде до 3,3%;
Правило 4: Ако заемът е в срок до 73 месеца, тогава неговият размер
ще бъде до 23,500 лв;
Правило 5: Ако заемът е с размер до 23,500 лв, тогава лихвата му ще
бъде до 3,3%;
Правило 6: Ако заемът е с размер до 23,500 лв, тогава той ще бъде в
срок до 73 месеца.
June 23, 2026
59

60. FP-GROWTH

Тестването на откритите асоциативни правила се осъществява чрез
прилагането на извлечените закономерности върху нова база от данни.
Реализирана е връзка към втора база от данни, съдържаща 37 записа.
Извършена е предварителна обработка на новите данни във втори
подпроцес. Добавен е оператор Apply Association Rule, за който е
избрана опцията да извежда стойностите в бинарен вид. Оператор
Write Excel записва крайният резултат във файл на Excel.
June 23, 2026
60

61. FP-GROWTH

Откриването на асоциативни правила е често използван подход
за намиране на зависимости в големи обеми с данни. Използва се
самостоятелно или в обединение с други техники от областта на
извличането на знания. Анализирани са най-често използваните
алгоритми за откриване на асоциативни правила. Тяхното
сравнение с
цел да се покаже най-добрия няма да е съвсем
правилно, понеже всеки алгоритъм постига максимални резултати
върху конкретен тип данни и в зависимост от обема на въведената
информация.
June 23, 2026
61

62. FP-GROWTH

Необходимо
условие
е
предварителното
познаване
на
структурата на данните, което позволява прилагането на найподходящия подход. За целта на изследването е изучен процесът по
предварителна обработка на данните и техниката за откриване на
асоциативни правила FP-Growth с помощта на софтуера с отворен
код RapidMiner. Отритите зависимости са тествани върху нова база
от данни. Асоциативните правила, представени в анализа ще бъдат
потвърдени в бъдещи приложения.
June 23, 2026
62

63. Реализация на алгориъм за извличане на чести елементи и генериране на асоциативни правила Eclat чрез чрез средствата на

Извличането на чести елементи чрез алгоритъм
Eclat е
представено в следващото тестване. За изследване на множества с
данни е използван статистическият език R. Необходимо е да бъде
инсталирана библиотека "arules". Множествата с метеорологични
данни са съхранени във файла "weather.csv". Те имат следните
атрибути - wind (calm, breeze, gale), temperature (cool, mild, hot), outlook
(sunny, overcast, rainy), humidity (normal, hide) and fire (yes, no).June 23, 2026
63

64. ECLAT

Записите са визуализирани под формата на транзакции. Найважната стъпка в процеса е да се запише минимален праг на
подкрепа. В примера са въведени 84 транзакции и минимален праг на
подкрепа от 0.3 (30%), който се определя от потребителя. Стъпките на
процеса за извличане на чести елементи чрез Eclat алгоритъм в R са
представени. Анализът за извличане на чести елементи описва
вероятността от пожар в зависимост от метеорологичните условия.
June 23, 2026
64

65. ECLAT

June 23, 2026
65

66. ECLAT

Зареждане на метеорологичните данни в R и задаване на минимален праг на подкрепа от 0.3 за
извличане на чести елементи чрез Eclat
June 23, 2026
66

67. ECLAT

Резултатите имат формата:
If
Wind=calm,
Temperature=hot,
Outlook=overcast
and
Humidity=normal Then Fire=yes (minsup=0.32)
If
Wind=calm,
Temperature=cool,
Outlook=overcast
and
Humidity=high Then Fire=no (minsup=0.48)
June 23, 2026
67

68. ECLAT

Резултатът дава интересни правила. Предпочитани са
правила, чиито брой е по-малък. Ако анализът генерира много
правила след изследването те губят своята интересност.
В същото време минималният праг на подкрепа също трябва
да
е
по-голям.
Например,
когато
потребителят
запише
минимален праг на подкрепа от 0.01 се получават седем правила,
показани на следващия слайд.
June 23, 2026
68

69. ECLAT

June 23, 2026
69

70. ECLAT

Вероятността за правилно предсказване на пожар с много
правила и по-нисък праг на минимална подкрепа намалява. В
заключение потребителят ще предпочете асоциациите с повисока степен на интерестност (minsup=0.3).
June 23, 2026
70

71. Реализация на алгориъм за извличане на последователни зависимости gsp(generalized a sequential patterns) чрез средствата на

Метеорологичните данни от Световните метеорологични станции
се съхраняват в база данни и някои от тях могат да бъдат използвани
за
анализиране
на
опастността
от
пожари.
Количеството
на
метеорологичните данни онлайн нараства, което ги прави важни за
използване на специфични техники за анализ. Чрез техники за
извличане на знания от данни могат да се намерят и извлекат полезни
и интересни скрити зависимости от предимно наличните база данни с
информация за прогнозиране на времето. Това може да помогне за
разбирането на променливостта на климата и неговото прогнозиране.
Алгоритъмът GSP е реализиран в RapidMiner.
June 23, 2026
71

72. GSP

June 23, 2026
72

73. GSP

June 23, 2026
73

74. GSP

June 23, 2026
74

75. GSP

Извличането на последователни зависимости е техника от
областта на извличането на знания от данни за предсказване на
бъдещи
събития
използвайки
времевите
ограничения.
В
литературата са предложени много различни подходи с цел да се
ограничат времевите интервали. GSP използва минимално
времево
ограничение,
свойството
на
максимално
плъзгащият
се
времево
прозорец.
ограничение
и
Последователното
извличане на зависимости е стъпка къв разширяването на
извличането на знания от данни към времевия анализ.
June 23, 2026
75