Association Rule Learning(İlişkisel Kural Öğrenimi)
Merhabalar bu yazımda sizlere eğitimde gördüğüm ve ilgimi çeken Association Rule Learning (İlişkilendirme Kural Öğrenimi) konusundan bahsedeceğim. Anlatımımı bu konuyla başta bilgisi olmayan kişilerin de anlayabileceği şekilde anlatmaya çalışacağım.
Association Rule Learning , veri içerisindeki yapıları bulmak için kullanılan kural tabanlı bir makine öğrenimi tekniğidir. Bu kural, bir işlemde bir veri kümesinin ne sıklıkla gerçekleştiğini gösterir. Pek çok alanda kullanılan bu teknik pazarlama çalışması ve tavsiye sistemi gibi birçok alanda ürünlerin satışlarında farklı stratejiler geliştirerek satılmasını sağladığı gibi tıp alanında tanının hangi semptomların birlikte olma eğiliminde olduğunu anlamak için hasta bakımı ve ilaç reçetesini iyileştirmeye yardımcı olabilir. Daha kolay açıklamaya çalışmak istersek örneğin alışveriş merkezine gittiğimizde satın alacağımız şeylerin standart bir listesi her kişinin kendine özel olmasıyla bir kenarda duruyordur. İhtiyaçlara göre listemizdeki veriler diğer müşterilerinki ile farklılık gösterir. Bu farklılıkları anlayıp satışları artırmamıza yardımcı olur. İki ürün için konuşmak gerekirse amacımız iki ürünü satmadır. Bunun için yöntemlerin birkaçı şunlar gibi olabilir.
Elimizde satılmasını istediğimiz A ve B ürünleri olsun bunlar için aşağıdaki stratejiler kullanılabilir
- A üzerindeki ürün reklamı, B ürününü listesinde barındıran müşterileri etkileyebilir.
- İki üründen herhangi birine promosyon indirimi uygulanabilir.
- Hem A hem B ürünü aynı rafa yerleştirilebilir.
- Bu ürünler yeni bir üründe servis edilebilir.
Apriori Algoritması
Müşteri alışverişlerinden ürün birlikteliklerini ortaya çıkarmak için kullanılan bir yöntemdir. Belirli bir eşik değere göre satın alınan ürünlerin birlikteliklerini görme imkanı sağlar.
Support Count (x) -> Bir veri kümesinin gerçekleşme sıklığı
Support(A, B) = frq(A, B)/N
Confidence -> A ürünü satın alındığında B ürününün satın alınma olasılığını verir.
Conf(A, B) = frq(A, B) / frq(A)
Lift -> A ve B veri kümelerinin birbirinden bağımsız olduğu varsayılarak, kuralın güveninin beklenen güvene bölünmesidir. A ürünü satın alındığında B ürününün satın alınması Lift değeri kadar artıyor.
Lifte günlük yaşamdan örnek verecek olursak alışveriş merkezlerindeki bazı ürünlerin fiyatlarının ucuz olup diğer ürüne eksilttiği kadar eklemesidir.
Lift = Support / Supp(A) x Supp(B)
Şimdi gelelim yukarıdaki kurallarımızı işleme döküp kavrama kısmına!
İşlemleri gerçekleştireceğimiz liste aşağıdaki gibidir…
Elmanın support değerini bulmak için listemizde elmanın bulunduğu işlemlerin sayısını alıp, tüm işlem sayısına böleriz.
Support{Elma} = 4/8
Elma ürünü satın alındığında, bira ürününün satın alınma olasılığı,
Confidence{Elma->Bira} = Support{Elma, Bira} / Support{Elma}
Elma ürünü satın alındığında, bira ürününün satın alınma olasılığı Lift katı kadar artar.
Lift { Elma -> Bira }= Support{ Elma, Bira} /Support{Elma} X Support {Bira}
Bakış açımızı genişletmek için aşağıdaki görsele bakarak yorumlamaları yapabiliriz.
- Genişliği en yaygın işlem olan tropikal meyveler ve diğer meyvelerdir.
- Ekmeğin üstüne sürülen et katkılı ürün alan bir kişi muhtemel yoğurtta satın almış olabilir.
- Çay alan bir kişi, meyvede satın almış olabilir.
- Hindi satın alınmışsa tropikal meyvede satın almış olabilir.
- Birçok kişi dilimlenmiş peynirle sosis satın almış olabilir.
Buradaki amacım Association Rule mantığını incelemek ve fikir sahibi olmaktı. Bir dahaki yazımda görüşmek üzere kendinize iyi bakın…
