TY  - JOUR
T1  - Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği
TT  - Quantity-Based Negative Association Rule Mining Using Unsupervised Machine Learning Techniques
AU  - Dökeroğlu, Tansel
AU  - Malık, Zahraa Mohammed Malik
AU  - Al-shehabı, Shadi
PY  - 2018
DA  - August
DO  - 10.29130/dubited.414657
JF  - Duzce University Journal of Science and Technology
JO  - DÜBİTED
PB  - Düzce Üniversitesi
WT  - DergiPark
SN  - 2148-2446
SP  - 1119
EP  - 1138
VL  - 6
IS  - 4
LA  - tr
AB  - Birliktelik kuralları,veri kümesindeki nesnelerin varlığının diğer nesnelerin varlığını nasıletkilediğini tanımlanmaktadır. Bu kurallar, alış veriş sepeti analizinde, birürünün aynı işlemdeki diğer ürün üzerindeki etkisini incelemek içinkullanılmaktadır. Pozitif ve negatif birliktelik kuralları olarak iki şekildeifade edilebilirler. Pozitif birliktelik kuralı, bir ürün varlığının aynıişlemde diğer ürünü bulma olanağını arttırdığını gösterirken, negatifbirliktelik kuralı, bir çeşidin bulunmasının, diğer ürünün aynı işlemdeolabilme ihtimalini düşürdüğünü göstermektedir. Daha önceki işlemlerdeki sıklıklarıaraştırdığı için pozitif birliktelik kuralı madenciliği, negatif birliktelikkuralları madenciliğine göre daha kolaydır. Negatif birlikteki kuralımadenciliğinde daha önceki işlemler araştırıldığında, ilgisiz ürünlerarasındaki ilgisizlik kurallarının madenciliği ile karşılaşılır. Bu kurallarınçıkarımından kaçınmak için, mevcut negatif birliktelik kuralı, madenciliktekniklerine sağlanan önceden tanımlı alan bilgisine dayanır. Dolayısıyla bubilgi, bulunan kuralların ilgili ürünlere ait olması için kullanılır. Buçalışmada, satın alınan miktarlara dayalı veri kümesinden otomatik olarak bilgialınması ile veri kümesindeki ürünler arasındaki negatif birliktelikkurallarını bulma kabiliyetine sahip yeni bir teknik önerilmektedir.Birliktelik kuralı madenciliği, gözetimsiz veri madencilik tekniği olduğundan,sağlanan veri kümesi etiketsiz verilerden oluşmaktadır. DBSCAN kümelemeyönteminin kullanımı, gerçek yaşam işlem veri tabanında test edildiğinde %0,21destek ve %91,84 güven ortalama değerleri ile 4.086 şeklinde daha iyi negatifbirliktelik kuralı sonucu göstermiştir. K-ortalama kümeleme yöntemininkullanımı ile çıkarılan alan bilgisine dayalı negatif birliktelik kurallarımadenciliği sonucu, %0,19 destek ve %85,84 güven ortalama değerine sahip 1.780iken, önerilen alan bilgisiz negatif birliktelik kuralı sonucu %0,12 destek ve%99,37 güven ortalama değerli 9.066 sonucunu vermiştir.
KW  - Veri madenciliği
KW  - Birliktelik kuralları
KW  - Negatif birliktelik kuralları
KW  - Kümeleme
N2  - Association rules are defined as the relationships between objects in the dataset where the existence of one object in a certain condition affects the probability of the existence of the other object. These rules are widely investigatedin the analysis of shopping baskets, to examine the effect of one item on the other in the same transaction. Theserules may appear in two terms, positive and negative association rules. The negative association rule indicated thatthe existence of an item decreases the chance that the other item may appear in the same transaction. Miningpositive association rules is relatively easy by simply investigating frequent patterns in earlier transactions. Miningnegative association rule faces the main challenge of mining uninteresting rules between unrelated items, whenearlier transactions are investigated. To avoid the extraction of such rules, existing negative association rule miningtechniques rely on a predefined domain knowledge provided to the mining techniques. So that, this knowledge isused to ensure that the extracted rules are for related items. In this study, a novel technique is proposed that hasthe ability to mine interesting negative association rules between items in the transactions dataset, by automaticallyextracting knowledge from that dataset based on the purchased quantities. As miningassociation rules is anunsupervised data mining technique, the provided dataset is unlabeled data. The use of DBSCAN clusteringmethod has shown better negative association rule mining results of 4,086 rules, with an average of 0.21% supportand 91.84% confidence, when tested on a real-life transactions dataset. Mining negative association rules basedon the domain knowledge extracted using the K-means clustering method has 1,780 rules with an average of 0.19%support and 85.84% confidence, while mining negative rules without any domain knowledge results in 9,066 ruleswith an average support of 0.12% and average confidence of 99.37%, using the same dataset.
CR  - [1]	A. L. Buczak and E. Guven, "A survey of data mining and machine learning methods for cyber security intrusion detection," IEEE Communications Surveys & Tutorials, vol. 18, pp. 1153-1176, 2016.
CR  - [2]	A. Holzinger and I. Jurisica, "Knowledge discovery and data mining in biomedical informatics: The future is in integrative, interactive machine learning solutions," in Interactive knowledge discovery and data mining in biomedical informatics, ed: Springer, 2014, pp. 1-18.
CR  - [3]	M. Hahsler and R. Karpienko, "Visualizing association rules in hierarchical groups," Journal of Business Economics, vol. 87, pp. 317-335, 2017.
CR  - [4]	Y. Zhao and S. S. Bhowmick, "Association Rule Mining with R," A Survey Nanyang Technological University, Singapore, 2015.
CR  - [5]	P. Kazienko, Associations: discovery, analysis and applications: Oficyna Wydawnicza Politechniki Wrocławskiej, 2008.
CR  - [6]	G. Suchacka and G. Chodak, "Using association rules to assess purchase probability in online stores," Information Systems and e-Business Management, vol. 15, pp. 751-780, 2017.
CR  - [7]	S. Datta and S. Bose, "Discovering association rules partially devoid of dissociation by weighted confidence," in Recent Trends in Information Systems (ReTIS), 2015 IEEE 2nd International Conference on, 2015, pp. 138-143.
CR  - [8]	S. Brin, R. Motwani, and C. Silverstein, "Beyond market baskets: Generalizing association rules to correlations," in Acm Sigmod Record, 1997, pp. 265-276.
CR  - [9]	A. Savasere, E. Omiecinski, and S. Navathe, "Mining for strong negative associations in a large database of customer transactions," in Data Engineering, 1998. Proceedings, 14th International Conference on, 1998, pp. 494-502.
CR  - [10]	X. Yuan, B. P. Buckles, Z. Yuan, and J. Zhang, "Mining negative association rules," in Computers and Communications, 2002. Proceedings. ISCC 2002. Seventh International Symposium on, 2002, pp. 623-628.
CR  - [11]	L.-M. Tsai, S.-J. Lin, and D.-L. Yang, "Efficient mining of generalized negative association rules," in Granular Computing (GrC), 2010 IEEE International Conference on, 2010, pp. 471-476.
CR  - [12]	L. Aliahmadipour, V. Torra, and E. Eslami, "On hesitant fuzzy clustering and clustering of hesitant fuzzy data," in Fuzzy Sets, Rough Sets, Multisets and Clustering, ed: Springer, 2017, pp. 157-168.
CR  - [13]	M. B. Cohen, S. Elder, C. Musco, C. Musco, and M. Persu, "Dimensionality reduction for k-means clustering and low rank approximation," in Proceedings of the forty-seventh annual ACM symposium on Theory of computing, 2015, pp. 163-172.
CR  - [14]	T. M. Kodinariya and P. R. Makwana, "Review on determining number of Cluster in K-Means Clustering," International Journal, vol. 1, pp. 90-95, 2013.
UR  - https://doi.org/10.29130/dubited.414657
L1  - https://dergipark.org.tr/tr/download/article-file/517510
ER  -