Association rule learning (original) (raw)
Die Assoziationsanalyse bezeichnet die Suche nach starken Regeln. Diese daraus folgenden beschreiben Korrelationen zwischen gemeinsam auftretenden Dingen. Der Zweck einer Assoziationsanalyse besteht also darin, Items (Elemente einer Menge, wie z. B. einzelne Artikel eines Warenkorbs) zu ermitteln, die das Auftreten anderer Items innerhalb einer Transaktion implizieren. Eine solcherart aufgedeckte Beziehung zwischen zwei oder mehr Items kann dann als Regel der Form „Wenn Item(menge) A, dann Item(menge) B“ bzw. A → B dargestellt werden.
| Property | Value |
|---|---|
| dbo:abstract | 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 .. 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. على سبيل المثال، 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 أيضاً. يمكن استخدام هذه المعلومات كأساس لاتخاذ القرارات المتعلقة بأنشطة التسويق مثل التسعير أو تحديد مواضع المنتجات. بالإضافة إلى المثال أعلاه حول تحليل سلة السوق، يتم توظيف قواعد الارتباط اليوم في العديد من المجالات بما في ذلك تنقيب الويب وأنظمة الكشف عن الاختراق والمعالجة المتواصلة وفي حقل المعلوماتية الحيوية أيضاً. ولا تفترض قواعد الارتباط ترتيب العناصر إما داخل معاملة أو عبر معاملات بعكس ما يُعرف بتنقيب التسلسلات. (ar) Asociační analýza v oblasti dobývání znalostí z databází je metoda nalézání asociačních pravidel spojujících zároveň se vyskytující atributy (události, položky…) u zkoumaných objektů. Častým použitím je : jestliže objektem je nákup jednoho zákazníka v obchodě a atributy tohoto nákupu jsou názvy položek, jež zákazník zakoupil, tak příkladem jednoho pravidla může být {párky} —> {hořčice, chléb}, což znamená, že zákazníci nakupující párky mají často ve svém nákupu rovněž hořčici a chléb. Rozumí se, že taková pravidla nemusejí platit vždy (v našem příkladu se mohou vyskytnout zákazníci, kteří si nekoupili hořčici nebo chléb, i když si koupili párky), ale očekává se, že platí obvykle, takže je na nich možné založit prakticky užitečnou akci (například dát v prodejně k párkům reklamu na hořčici, která se k nim hodí). Množina atributů před šipkou asociačního pravidla (v našem příkladu {párky}) se označuje jako předpoklad, levá strana pravidla či antecedent, zatímco množina atributů za šipkou (v příkladě {hořčice, chléb}) se nazývá závěr, pravá strana pravidla či sukcedent. Koncept asociační analýzy se poprvé objevil roku 1966 v článku The GUHA method of automatic hypotheses determination, jehož autory jsou Petr Hájek, Ivan Havel a Metoděj Chytil. Metodu však znovu vynalezli a zpopularizovali až v 90. letech , , Arun Swami a Ramakrishnan Srikant. K úspěchu přispěl také efektivní algoritmus pro hledání asociačních pravidel , který publikovali Agrawal a Srikant. (cs) Die Assoziationsanalyse bezeichnet die Suche nach starken Regeln. Diese daraus folgenden beschreiben Korrelationen zwischen gemeinsam auftretenden Dingen. Der Zweck einer Assoziationsanalyse besteht also darin, Items (Elemente einer Menge, wie z. B. einzelne Artikel eines Warenkorbs) zu ermitteln, die das Auftreten anderer Items innerhalb einer Transaktion implizieren. Eine solcherart aufgedeckte Beziehung zwischen zwei oder mehr Items kann dann als Regel der Form „Wenn Item(menge) A, dann Item(menge) B“ bzw. A → B dargestellt werden. (de) Association rule learning is a rule-based machine learning method for discovering interesting relations between variables in large databases. It is intended to identify strong rules discovered in databases using some measures of interestingness. In any given transaction with a variety of items, association rules are meant to discover the rules that determine how or why certain items are connected. Based on the concept of strong rules, Rakesh Agrawal, Tomasz Imieliński and Arun Swami introduced association rules for discovering regularities between products in large-scale transaction data recorded by point-of-sale (POS) systems in supermarkets. For example, the rule found in the sales data of a supermarket would indicate that if a customer buys onions and potatoes together, they are likely to also buy hamburger meat. Such information can be used as the basis for decisions about marketing activities such as, e.g., promotional pricing or product placements. In addition to the above example from market basket analysis association rules are employed today in many application areas including Web usage mining, intrusion detection, continuous production, and bioinformatics. In contrast with sequence mining, association rule learning typically does not consider the order of items either within a transaction or across transactions. The association rule algorithm itself consists of various parameters that can make it difficult for those without some expertise in data mining to execute, with many rules that are arduous to understand. (en) Dans le domaine du data mining la recherche des règles d'association est une méthode populaire étudiée d'une manière approfondie dont le but est de découvrir des relations ayant un intérêt pour le statisticien entre deux ou plusieurs variables stockées dans de très importantes bases de données. Piatetsky-Shapiro présentent des règles d'association extrêmement fortes découvertes dans des bases de données en utilisant différentes mesures d’intérêt. En se basant sur le concept de relations fortes, Rakesh Agrawal et son équipe présente des règles d'association dont le but est de découvrir des similitudes entre des produits dans des données saisies sur une grande échelle dans les systèmes informatiques des points de ventes des chaînes de supermarchés. Par exemple, une règle découverte dans les données de ventes dans un supermarché pourrait indiquer qu'un client achetant des oignons et des pommes de terre simultanément, serait susceptible d'acheter un hamburger. Une telle information peut être utilisée comme base pour prendre des décisions marketing telles que par exemple des promotions ou des emplacements bien choisis pour les produits associés. En plus des exemples ci-dessus concernant le panier de la ménagère, les règles d'association sont employées aujourd'hui dans plusieurs domaines incluant celui de la fouille du web, de la détection d'intrusion et de la bio-informatique. (fr) En minería de datos y aprendizaje automático, las reglas de asociación se utilizan para descubrir hechos que ocurren en común dentro de un determinado conjunto de datos. Se han investigado ampliamente diversos métodos para aprendizaje de reglas de asociación que han resultado ser muy interesantes para descubrir relaciones entre variables en grandes conjuntos de datos. Piatetsky-Shapiro describe el análisis y la presentación de reglas 'fuertes' descubiertas en bases de datos utilizando diferentes medidas de interés. Basado en el concepto de regla fuerte, Agrawal et al. presentaron un trabajo en el que indicaban las reglas de asociación que descubrían las relaciones entre los datos recopilados a gran escala en los sistemas de terminales de punto de venta de unos supermercados. Por ejemplo, la siguiente regla: Encontrada en los datos de ventas de un supermercado, indicaría que un consumidor que compra cebollas y verdura a la vez, es probable que compre también carne. Esta información se puede utilizar como base para tomar decisiones sobre marketing como precios promocionales para ciertos productos o dónde ubicar estos dentro del supermercado. Además del ejemplo anterior aplicado al análisis de la cesta de la compra, hoy en día, las reglas de asociación también son de aplicación en otras muchas áreas como el web mining, la detección de intrusos o la bioinformática. (es) Nel data mining, le regole di associazione sono uno dei metodi per estrarre relazioni nascoste tra i dati. Agrawal et al. introdussero le regole di associazione per la scoperta di regolarità all'interno delle transazioni registrate nelle vendite dei supermercati. Per esempio, la regola individuata nell'analisi degli scontrini di un supermercato indica che il se il cliente compra insieme cipolle e patate è probabile che acquisti anche della carne per hamburger. Tale informazione può essere utilizzata come base per le decisioni riguardanti le attività di marketing, come ad esempio le offerte promozionali o il posizionamento dei prodotti negli scaffali.Le regole di associazione sono anche usate in molte altre aree, quali il , la e la bioinformatica. (it) Em mineração de dados e aprendizado de máquina, regras de associação são usadas para descobrir elementos que ocorrem em comum dentro de um determinado conjunto de dados. (pt) Обучение ассоциативным правилам или поиск ассоциативных правил — это метод обнаружения интересующих нас связей между переменными в большой базе данных. Метод предлагается для установления сильных правил, обнаруженных в базе данных с помощью некоторых мер интересности. Этот основанный на правилах подход генерирует также новые правила по мере анализа дополнительных данных. Конечной целью, исходя из достаточно большого набора данных, помочь машине имитировать выделение признаков человеческим и создать возможность нахождения абстрактных ассоциаций из новых неклассифицированных данных. Опираясь на концепцию строгих правил, Ракеш Агравал, Томаш Имелинский и Арун Свами выдвинули ассоциативные правила для обнаружения закономерностей между продуктами в транзакциях большого размера для данных, записанных системами POS-терминалов в супермаркетах. Например, правило {лук, картофель} => {гамбургер}, найденное в данных о продажах супермаркета, могло бы означать, что, если покупатель покупает лук и картофель вместе, он, скорее всего, купит также и гамбургер. Такого рода информация может быть использована как базис для решений о маркетинговых действиях, например, стимулирующему ценообразованию или размещению продукции. Кроме примера выше об анализе рыночной корзины, ассоциативные правила используются ныне во многих других областях, включая Web mining, обнаружение вторжений, непрерывное производство и . В отличие от , обучение ассоциативным правилам обычно не учитывает порядок элементов внутри транзакции или по транзакциям. (ru) 关联规则学习（英語：Association rule learning）是一种在大型数据库中发现变量之间的有趣性关系的方法。它的目的是利用一些有趣性的量度来识别数据库中发现的强规则。 基于强规则的概念，Rakesh Agrawal等人引入了关联规则以发现由超市的POS系统记录的大批交易数据中产品之间的规律性。例如，从销售数据中发现的规则 {洋葱, 土豆}→{汉堡} 会表明如果顾客一起买洋葱和土豆，他们也有可能买汉堡的肉。此类信息可以作为做出促销定价或产品植入等营销活动决定的根据。除了上面中的例子以外， 关联规则如今还被用在许多应用领域中，包括、入侵检测、及生物信息学中。与相比，关联规则学习通常不考虑在事务中、或事务间的项目的顺序。 (zh) Навчання асоціативних правил — метод для знаходження цікавих відношень між змінними у великих базах даних. Метою є ідентифікація сильних правил, які виявляються в базах даних з використанням деяких вимірів цікавості. Ґрунтуючись на концепції сильних правил, , та Арун Свамі запровадили асоціативні правила для виявлення закономірностей між продажами продуктів, які фіксуються через торгові точки (англ. point-of-sale, POS) у супермаркетах і всі ці транзакції зберігаються у величезній базі даних. Наприклад, правило , що містяться в даних про продажі супермаркету, вказує на те, що якщо споживач купує цибулю та картоплю разом, то, ймовірно, також буде придбано олію для смаження картопельки з цибулею. Така інформація може бути використана як підґрунтя для прийняття рішень щодо маркетингової діяльності, наприклад, рекламних цін або вибору місць для розташування товарів. Окрім вищезгаданого прикладу з , асоціативні правила застосовуються сьогодні у багатьох областях, включаючи Web mining, виявлення вторгнень, безперервне виробництво та біоінформатику. На відміну від виведення послідовності, навчання асоціативних правил, як правило, не враховує порядок елементів у межах транзакції чи транзакцій. (uk) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Association_Rule_Mining_Venn_Diagram.png?width=300 |
| dbo:wikiPageExternalLink | http://michael.hahsler.net/research/bib/association_rules/ |
| dbo:wikiPageID | 577053 (xsd:integer) |
| dbo:wikiPageLength | 49604 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1116195009 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Power_set dbr:Apriori_algorithm dbr:Depth-first_search dbr:Combinatorial_explosion dbr:Conditional_probability dbr:Bitstring dbr:Continuous_production dbr:Contrast_set_learning dbr:Lift_(data_mining) dbr:Clustering_high-dimensional_data dbr:Product_placement dbr:Trie dbr:Hash_tree_(persistent_data_structure) dbr:Learning_classifier_system dbr:Breadth-first_search dbr:Production_system_(computer_science) dbr:Rakesh_Agrawal_(computer_scientist) dbr:Backtracking dbr:Teradata dbr:Pricing dbr:Sequential_pattern_mining dbc:Data_management dbc:Data_mining dbr:K-optimal_pattern_discovery dbr:Bioinformatics dbr:Point-of-sale dbr:Independence_(probability_theory) dbr:Petr_Hájek dbr:Rule-based_machine_learning dbr:Tomasz_Imieliński dbr:Intrusion_detection dbr:Market_basket_analysis dbr:Sequence_mining dbr:Web_usage_mining dbr:File:APriori.png dbr:File:Association_Rule_Mining_Venn_Diagram.png dbr:File:FrequentItems.png |
| dbp:wikiPageUsesTemplate | dbt:Citation_needed dbt:Clarify dbt:Mvar dbt:Reflist dbt:Prone_to_spam dbt:Machine_learning |
| dct:subject | dbc:Data_management dbc:Data_mining |
| rdfs:comment | Die Assoziationsanalyse bezeichnet die Suche nach starken Regeln. Diese daraus folgenden beschreiben Korrelationen zwischen gemeinsam auftretenden Dingen. Der Zweck einer Assoziationsanalyse besteht also darin, Items (Elemente einer Menge, wie z. B. einzelne Artikel eines Warenkorbs) zu ermitteln, die das Auftreten anderer Items innerhalb einer Transaktion implizieren. Eine solcherart aufgedeckte Beziehung zwischen zwei oder mehr Items kann dann als Regel der Form „Wenn Item(menge) A, dann Item(menge) B“ bzw. A → B dargestellt werden. (de) Nel data mining, le regole di associazione sono uno dei metodi per estrarre relazioni nascoste tra i dati. Agrawal et al. introdussero le regole di associazione per la scoperta di regolarità all'interno delle transazioni registrate nelle vendite dei supermercati. Per esempio, la regola individuata nell'analisi degli scontrini di un supermercato indica che il se il cliente compra insieme cipolle e patate è probabile che acquisti anche della carne per hamburger. Tale informazione può essere utilizzata come base per le decisioni riguardanti le attività di marketing, come ad esempio le offerte promozionali o il posizionamento dei prodotti negli scaffali.Le regole di associazione sono anche usate in molte altre aree, quali il , la e la bioinformatica. (it) Em mineração de dados e aprendizado de máquina, regras de associação são usadas para descobrir elementos que ocorrem em comum dentro de um determinado conjunto de dados. (pt) 关联规则学习（英語：Association rule learning）是一种在大型数据库中发现变量之间的有趣性关系的方法。它的目的是利用一些有趣性的量度来识别数据库中发现的强规则。 基于强规则的概念，Rakesh Agrawal等人引入了关联规则以发现由超市的POS系统记录的大批交易数据中产品之间的规律性。例如，从销售数据中发现的规则 {洋葱, 土豆}→{汉堡} 会表明如果顾客一起买洋葱和土豆，他们也有可能买汉堡的肉。此类信息可以作为做出促销定价或产品植入等营销活动决定的根据。除了上面中的例子以外， 关联规则如今还被用在许多应用领域中，包括、入侵检测、及生物信息学中。与相比，关联规则学习通常不考虑在事务中、或事务间的项目的顺序。 (zh) 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 .. (ar) Asociační analýza v oblasti dobývání znalostí z databází je metoda nalézání asociačních pravidel spojujících zároveň se vyskytující atributy (události, položky…) u zkoumaných objektů. Častým použitím je : jestliže objektem je nákup jednoho zákazníka v obchodě a atributy tohoto nákupu jsou názvy položek, jež zákazník zakoupil, tak příkladem jednoho pravidla může být {párky} —> {hořčice, chléb}, (cs) Association rule learning is a rule-based machine learning method for discovering interesting relations between variables in large databases. It is intended to identify strong rules discovered in databases using some measures of interestingness. In any given transaction with a variety of items, association rules are meant to discover the rules that determine how or why certain items are connected. (en) En minería de datos y aprendizaje automático, las reglas de asociación se utilizan para descubrir hechos que ocurren en común dentro de un determinado conjunto de datos. Se han investigado ampliamente diversos métodos para aprendizaje de reglas de asociación que han resultado ser muy interesantes para descubrir relaciones entre variables en grandes conjuntos de datos. (es) Dans le domaine du data mining la recherche des règles d'association est une méthode populaire étudiée d'une manière approfondie dont le but est de découvrir des relations ayant un intérêt pour le statisticien entre deux ou plusieurs variables stockées dans de très importantes bases de données. Piatetsky-Shapiro présentent des règles d'association extrêmement fortes découvertes dans des bases de données en utilisant différentes mesures d’intérêt. En se basant sur le concept de relations fortes, Rakesh Agrawal et son équipe présente des règles d'association dont le but est de découvrir des similitudes entre des produits dans des données saisies sur une grande échelle dans les systèmes informatiques des points de ventes des chaînes de supermarchés. Par exemple, une règle découverte dans les (fr) Обучение ассоциативным правилам или поиск ассоциативных правил — это метод обнаружения интересующих нас связей между переменными в большой базе данных. Метод предлагается для установления сильных правил, обнаруженных в базе данных с помощью некоторых мер интересности. Этот основанный на правилах подход генерирует также новые правила по мере анализа дополнительных данных. Конечной целью, исходя из достаточно большого набора данных, помочь машине имитировать выделение признаков человеческим и создать возможность нахождения абстрактных ассоциаций из новых неклассифицированных данных. (ru) Навчання асоціативних правил — метод для знаходження цікавих відношень між змінними у великих базах даних. Метою є ідентифікація сильних правил, які виявляються в базах даних з використанням деяких вимірів цікавості. Окрім вищезгаданого прикладу з , асоціативні правила застосовуються сьогодні у багатьох областях, включаючи Web mining, виявлення вторгнень, безперервне виробництво та біоінформатику. На відміну від виведення послідовності, навчання асоціативних правил, як правило, не враховує порядок елементів у межах транзакції чи транзакцій. (uk) |
| rdfs:label | تعلم قواعد الارتباط (ar) Asociační analýza (cs) Assoziationsanalyse (de) Association rule learning (en) Reglas de asociación (es) Règle d'association (fr) Regole di associazione (it) Regras de associação (pt) Обучение ассоциативным правилам (ru) Навчання асоціативних правил (uk) 关联规则学习 (zh) |
| owl:sameAs | freebase:Association rule learning wikidata:Association rule learning dbpedia-ar:Association rule learning dbpedia-cs:Association rule learning dbpedia-de:Association rule learning dbpedia-es:Association rule learning dbpedia-fa:Association rule learning dbpedia-fr:Association rule learning dbpedia-he:Association rule learning dbpedia-it:Association rule learning dbpedia-no:Association rule learning dbpedia-pt:Association rule learning dbpedia-ru:Association rule learning dbpedia-sr:Association rule learning dbpedia-th:Association rule learning dbpedia-uk:Association rule learning http://ur.dbpedia.org/resource/تنظیمی_اصول_سیکھنا dbpedia-zh:Association rule learning https://global.dbpedia.org/id/3aS7p |
| prov:wasDerivedFrom | wikipedia-en:Association_rule_learning?oldid=1116195009&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/APriori.png wiki-commons:Special:FilePath/Association_Rule_Mining_Venn_Diagram.png wiki-commons:Special:FilePath/FrequentItems.png |
| foaf:isPrimaryTopicOf | wikipedia-en:Association_rule_learning |
| is dbo:wikiPageRedirects of | dbr:One-attribute-rule dbr:AprioriDP dbr:FP-growth dbr:Rule_discovery dbr:Associated_rule dbr:Association_Rule dbr:Association_Rule_Learning dbr:Association_discovery dbr:Association_learning dbr:Association_rule dbr:Association_rule_mining dbr:Association_rules dbr:One-attribute_rule dbr:OneR dbr:Eclat_algorithm |
| is dbo:wikiPageWikiLink of | dbr:List_of_algorithms dbr:One-shot_learning dbr:Ontology_learning dbr:Biostatistics dbr:Anomaly_detection dbr:Apriori_algorithm dbr:List_of_important_publications_in_computer_science dbr:Venansius_Baryamureeba dbr:Decision_tree dbr:Rule_induction dbr:Geoff_Webb dbr:Oracle_Data_Mining dbr:One-attribute-rule dbr:Contrast_set_learning dbr:Lift_(data_mining) dbr:Clustering_high-dimensional_data dbr:Tanagra_(machine_learning) dbr:Data_and_information_visualization dbr:Data_mining dbr:GOFAI dbr:Heikki_Mannila dbr:Eclat dbr:Learning_classifier_system dbr:ELKI dbr:Formal_concept_analysis dbr:Sequential_pattern_mining dbr:Affinity_analysis dbr:K-optimal_pattern_discovery dbr:KXEN_Inc. dbr:Symbolic_artificial_intelligence dbr:Polynomial_kernel dbr:Frequent_pattern_discovery dbr:AprioriDP dbr:FP-growth dbr:IBM_Db2 dbr:MinHash dbr:Orange_(software) dbr:Loss_leader dbr:Statistical_relational_learning dbr:Rule-based_machine_learning dbr:Outline_of_machine_learning dbr:Theta_model dbr:Rule_discovery dbr:Associated_rule dbr:Association_Rule dbr:Association_Rule_Learning dbr:Association_discovery dbr:Association_learning dbr:Association_rule dbr:Association_rule_mining dbr:Association_rules dbr:One-attribute_rule dbr:OneR dbr:Eclat_algorithm |
| is foaf:primaryTopic of | wikipedia-en:Association_rule_learning |
