Systemy Wspomagania Decyzji

Wielkość: px

Rozpocząć pokaz od strony:

Download "Systemy Wspomagania Decyzji"

Mariusz Tomaszewski
8 lat temu
Przeglądów:

1 Reguły Asocjacyjne Szkoła Główna Służby Pożarniczej Zakład Informatyki i Łączności March 18, 2014

2 1 Wprowadzenie 2 Definicja 3 Szukanie reguł asocjacyjnych 4 Przykłady użycia 5 Podsumowanie

3 Problem Lista produktów M Muminki R Reksio B Bolek i Lolek S Smerfy T Teletubisie Transakcje TID Zakupy 10 M R S T 20 R B T 30 M R S T 40 M R B T 50 M R B S T 60 R B S Co jest często kupowane? Które produkty kupowane są razem? Co robić aby zwiększyć sprzedaż?

30 M R S T 40 M R B T 50 M R B S T 60 R B S Co jest często

4 W jakiej formie wyrazić wzorzec macierz kolokacji: M R B S T M R B S T reguły: M R T R R B S T

5 Problem pożarniczy ID data # GBA pożar obiekt piętro powierzchnia tak blok IV tak dom I nie samochód tak fabryka nie śmietnik - 0, tak mieszkanie VII tak hala tak garaż obiekt # GBA obiekt powierzchnia

02.2011 5 tak fabryka 0 1200 5 13.12.2013 2 nie śmietnik - 0,4 6 12.11.2012 4 tak mieszkanie VII 38 7 17.

6 Reguły asocjacyjne Definicja Reguła asocjacyjna to każda implikacja typu X Y gdzie X, Y są atrybutami. Jakość reguł mierzymy za pomocą funkcji: wsparcie (support) - liczba wierszy w których wystąpiły wspólnie atrybuty X i Y. wiarygodność (confidence) - liczba wierszy w których wystąpiły wspólnie atrybuty X i Y przez liczbę wystąpień X.

Jakość reguł mierzymy za pomocą funkcji: wsparcie (support) - liczba wierszy w

7 Problem obliczeniowy Liczba wszystkich reguł asocjacyjnych wynosi 3 n, gdzie n jest liczbą wierszy. Sprawdzanie wszystkich reguł jest niewykonywalne! Proponowano różne metody szukania z użyciem różnych technik obliczeń: sekwencyjne, równoległe.

Sprawdzanie wszystkich reguł jest niewykonywalne!

8 Schemat wyszukiwania reguł Większość istniejących algorytmów działa w dwóch krokach: znajdź częste zbiory znajdź zbiory wierszy i atrybutów o wsparciu większym niż min sup. podziel częste zbiory dla każdego częstego zbioru, znajdź podziały tego zbioru na 2 podzbiory w taki sposób aby powstały reguły o wiarygodności większej niż min conf.

sup. podziel częste zbiory dla każdego częstego zbioru, znajdź podziały tego zbioru

9 Przykład Transakcje TID Zakupy 10 M R S T 20 R B T 30 M R S T 40 M R B T 50 M R B S T 60 R B S Częste zbiory Wsparcie Zbiór 100% (6) R 83% (5) RT 67% (4) M,B,S, MR,MT,RB, RS,MRT min. wsparcie = 67% (7) min. wiarygodność = 75% reguły dla MR: M R (wiarygodność 100%) R M (wiarygodność 66%)

RT 67% (4) M,B,S, MR,MT,RB, RS,MRT min. wsparcie = 67% (7) min.

10 Wyszukiwanie częstych zbiorów Obserwacje: jeżeli {A, B} są częstymi zbiorami to {A} i {B} też muszą być częstymi zbiorami. Idea: znajdź wszystkie 1-elementowe częste zbiory, generuj 2-elementowe częste zbiory z 1-elementowych częstych zbiorów.... generuj k-elementowe częste zbiory poprzez łączenie (k-1)-elementowych częstych zbiorów.

Idea: znajdź wszystkie 1-elementowe częste zbiory, generuj 2-elementowe częste

11 Przykład min. wsparcie = 67% (4) min. wiarygodność = 80% Transakcje TID Zakupy 10 M R S T 20 R B T 30 M R S T 40 M R B T 50 M R B S T 60 R B S Częste zbiory F 1 C 2 F 2 C 3 F 3 Zbiór M,R,B,S,T MR,MB,MS,MT... MR,MT,RB,RS,RT MRS,MRT,MST,RBT,RST MRT

12 Zagrożenia akcje

13 Podsumowanie Zaprezentowano metodę wyszukiwania wzorców w danych. Metoda polega na wyszukaniu zależności pomiędzy atrybutami i reprezentowaniu ich w formie reguł. Jakość reguł jest mierzona za pomocą wsparcia oraz wiarygodności.

Podobne dokumenty

Metody eksploracji danych. Reguły asocjacyjne

Metody eksploracji danych. Reguły asocjacyjne Metody eksploracji danych Reguły asocjacyjne Analiza podobieństw i koszyka sklepowego Analiza podobieństw jest badaniem atrybutów lub cech, które są powiązane ze sobą. Metody analizy podobieństw, znane