BİRLİKTELİK KURALLARI MADENCİLİĞİ VE İLGİNÇLİK ÖLÇÜMLERİ: BİR VAKA ÇALIŞMASI

Yıl 2020, Cilt: 3 Sayı: 2, 94 - 107, 31.12.2020

Başar Karasu Onur Doğan

https://doi.org/10.46238/jobda.811464

Öz

Birliktelik Kural Madenciliği, veri madenciliğinde kullanılan yöntemlerden biridir. Bu yöntemde, veri kümelerinde birlikte görülen nesneler belirlenerek, karar vericiye yardımcı olacak ilginç örüntüleri ortaya çıkartılmaktadır. Ortaya konulan birliktelikler, kurallar biçiminde ifade edilir. Elde edilen kuralların değerlendirilmesi için ilginçlik ölçülerinden yararlanılır. Karar verici, güçlü ve ilginç örüntülerin peşinden gider ve firması adına en verimli ve doğru şekilde bu analizden faydalanır. Bu çalışmada, birliktelik kurallarının değerlendirilmesinde kullanılan ilginçlik ölçümleri kapsamlı bir biçimde ele alınmıştır. Çalışmanın ana amacı birliktelik kurallarının değerlendirilmesinde kullanılan çok sayıda ilginçlik ölçümünü sunarak, Türkçe yazına katkı sağlamaktır. Bununla birlikte, bir firmaya ait çeşitli şubelerin verileri üzerinden bir takım kriterler doğrultusunda bazı birliktelik kuralları elde edilmiş ve bunlar ilginçlik ölçümleri ile değerlendirilmiştir. Elde edilen bulguların firmanın karar vericileri için yararlı nitelikte olduğu belirtilebilir

Anahtar Kelimeler

veri madenciliği, birliktelik kuralları, ilginçlik ölçüleri

ASSOCIATION RULE MINING AND INTERESTINGNESS MEASURES: A CASE STUDY

Öz

Birliktelik Kural Madenciliği, veri madenciliğinde kullanılan yöntemlerden biridir. Bu yöntemde, veri kümelerinde birlikte görülen nesneler belirlenerek, karar vericiye yardımcı olacak ilginç örüntüleri ortaya çıkartılmaktadır. Ortaya konulan birliktelikler, kurallar biçiminde ifade edilir. Elde edilen kuralların değerlendirilmesi için ilginçlik ölçülerinden yararlanılır. Karar verici, güçlü ve ilginç örüntülerin peşinden gider ve firması adına en verimli ve doğru şekilde bu analizden faydalanır.
Bu çalışmada, birliktelik kurallarının değerlendirilmesinde kullanılan ilginçlik ölçümleri kapsamlı bir biçimde ele alınmıştır. Çalışmanın ana amacı birliktelik kurallarının değerlendirilmesinde kullanılan çok sayıda ilginçlik ölçümünü sunarak, Türkçe yazına katkı sağlamaktır. Bununla birlikte, bir firmaya ait çeşitli şubelerin verileri üzerinden bir takım kriterler doğrultusunda bazı birliktelik kuralları elde edilmiş ve bunlar ilginçlik ölçümleri ile değerlendirilmiştir. Elde edilen bulguların firmanın karar vericileri için yararlı nitelikte olduğu belirtilebilir.

Anahtar Kelimeler

veri madenciliği, birliktelik kuralları, ilginçlik ölçüleri

Kaynakça

• Agrawal, R., Imielinski, T. ve Swami, A. (1993). Mining Association Rules between Sets of Items in Large Databases. ACM Sigmod Conference, Washington DC.
• Akpınar, H. (2000). Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği, İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29 (1), 1-22.
• Alpaydın, E. (2000). Zeki Veri Madenciliği: Ham Veriden Altın Bilgiye Ulaşma Yöntemleri. Bilişim 2000 Eğitim Semineri.
• Aze, J. ve Kodratoff, Y. (2002). A Study of the Effect of Noisy Data in Rule Extraction Systems, Proceedings of the Sixteenth European Meeting on Cybernetics and Systems Research, EMCSR'02, 781-788.
• Azevedo, P. J. ve Jorge, A. M. (2007). Comparing Rule Measures for Predictive Association Rules, Editörler: J.N, Kok, J. Koronacki, R.L. Mantaras, S. Matwin, D. Mladenič, A. Skowron, Machine Learning: ECML 2007. Lecture Notes in Computer Science, Cilt 4701, Springer, Berlin, Heidelberg.
• Berzal, F., Blanco, I., Sanchez, D. ve Vila, M. A. (2002). Measuring the Accuracy and Interest of Association Rules: A New Framework”, Intelligent Data Analysis, 6, 221-235,
• Bramer, M. (2007). Principles of Data Mining, Springer-Verlag, London.
• Brin, S., Motwani, R., Ullman, J. ve Tsur, S. (1997). Dynamic Itemset Counting and Implication Rules for Market Basket Data, SIGMOD-97, 255-264.
• Dunham, M. H. (2006). Data Mining: Introductory and Advanced Topics, Prentice Hall, Upper Saddle River NJ.
• Fayyad, U., Piatetsky-Shapiro, G. ve Smyth, P. (1996). From Data Mining to Knowledge Discovery: An Overview. chapter 1: 1-34.
• Geng, L. ve Hamilton, H. J. (2006). Interestingness Measures for Data Mining: A Survey, ACM Computing Surveys, 38(3). Article: 9, 1-32, University of Regina,
• Gras, R., Briand, H., Peter, P. ve Philippe, J. (1996). Implicative Statistical Analysis, Proceedings of the Fifth Conference of the International Federation of Classification Societies, IFCS'96, 412-419.
• Jimenez, A., Berzal, F. ve Cubero, J. C. (2013). Interestingness Measures for Association Rules Within Groups, Intelligent Data Analysis, 17, 195–215.
• Kannan, S. ve Bhaskaran, R. (2009). Association Rule Pruning Based On Interestingness Measures with Clustering, International Journal of Computer Science Issues (IJCSI), (6)1, 35-43.
• Kirchgessner, M., Leroy, V. ve Amer-Yahia, S. (2016). Testing Interestingness Measures in Practice: A Large-Scale Analysis of Buying Patterns, Shashwat Mishra University, France.
• Larose, D.T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley & Sons, Inc., New Jersey.
• Ledolter, J. (2013). Data Mining and Business Analytics With R. John Wiley & Sons, Inc., New Jersey.
• Lee, S. J. ve Siau, K. (2001). A Review of Data Mining Techniques, Industrial Management & Data Systems, 101(1), 41-46.
• Masood, A. ve Ouaguenouni, S. (2013). Probabilistic Measures for Interestingness of Deviations – A Survey”, International Journal of Artificial Intelligence & Applications (IJAIA), 4(2), 39-61.
• McGarry, K. (2005). A Survey of Interestingness Measures for Knowledge Discovery, The Knowledge Engineering Review, Cambridge University Press, 1-24.
• Moen, P. (2005). Data Mining Methods. Lecture slides. Piatetsky-Shapiro, G. (1991). Discovery, Analysis and Presentation of Strong Rules. Knowledge Discovery in Databases, Editörler: G. Piatetsky-Shapiro, W. J. Frawley, AAAI MIT Press, 229-248.
• Rijsbergen, C. J. (1979). Information Retrieval. 2nd Edition. London: Butterworths,
• Sebag, M. ve Schoenauer, M. (1998). Generation of Rules with Certainty and Confidence Factors from Incomplete and Incoherent Learning Bases”, EKAW'88, Proceedings of the European Knowledge Acquisition Workshop. Gesellschaft für Mathematik und Daten verarbeitung mbH, 1-20.
• Shaikh, M., McNicholas, P., Antonie, M. L. ve Murphy, T. B. (2013). Standardizing Interestingness Measures for Association Rules, Statistical Analysis and Data Mining, 11 (6), 282-295.
• Silahtaroğlu, G. (2008). Veri Madenciliği, Papatya Bilim, İstanbul,
• Smyth, R. ve Goodman, R. M. (1991). Rule Induction Using Information Theory, Knowledge Discovery in Databases, Editörler: G. Piatetsky-Shapiro, W. J. Frawley, MIT Press, 159-176.
• Tan, P. N. ve Kumar, V. (2000). Interestingness Measures for Association Patterns: A Perspective, Department of Computer Science and Engineering University of Minnesota.
• Tan, P. N., Kumar, V. ve Srivastava, J. (2004). Selecting the Right Objective Measure for Association Analysis, Information Systems, 29, 293–313.
• Tan, P. N., Steinbach, M. ve Kumar, V. (2006). Introduction to Data Mining, Pearson Addison- Wesley. University of Helsinki, Department of Computer Science. http://www.cs.helsinki.fi/u/ronkaine/tilome/luentomateriaali/TiLoMe- 170105.pdf, (Erişim Tarihi: 25.11.2018)
• Zaki, M. J. ve Meira, W. Jr. (2014). Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press, Cambridge.
• Zhao, Y., Zhang, C. ve Cao, L. (2009). Post-Mining of Association Rules: Techniques for Effective Knowledge Extraction, New York: Information Science Reference, Hershey.