Saltar al contenido
Volver a los resultados

Reglas de asociación de aprendizaje activo

Propuesto por
Dzyuba, V. & van Leeuwen, M.; Boley, M. et al.
Año
2010s
Tipo
Interactive pattern mining
Familia
Machine learning

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Las reglas de asociación de aprendizaje activo combinan el bucle iterativo de consulta y etiquetado del aprendizaje activo con la minería de reglas de asociación, permitiendo que un experto humano guíe interactivamente el proceso de descubrimiento.

En lugar de enumerar exhaustivamente todas las reglas por encima de un umbral fijo de soporte-confianza, el sistema selecciona los candidatos a reglas más informativos y solicita al usuario que juzgue su interés, centrando la búsqueda en patrones subjetivamente útiles.

La intuición detrás del método

La minería de reglas de asociación estándar inunda al usuario con miles de reglas por encima de un umbral de soporte mínimo, la mayoría de las cuales son redundantes o irrelevantes. El aprendizaje activo invierte esto: el algoritmo presenta solo las reglas candidatas más inciertas o sorprendentes a un experto humano, recopila retroalimentación sobre si cada regla es interesante y actualiza su modelo de preferencias del usuario después de cada consulta. A lo largo de rondas sucesivas, aprende a distinguir las reglas que le interesan al analista del ruido, reduciendo drásticamente el espacio de búsqueda y revelando patrones accionables de manera mucho más eficiente que la enumeración exhaustiva.

Historia

Las reglas de asociación de aprendizaje activo surgieron en la década de 2010 como respuesta al conocido problema de la explosión de reglas en la minería de reglas de asociación. El trabajo de Boley y sus colegas sobre el muestreo directo de patrones (2013) y de Dzyuba y van Leeuwen sobre el interés subjetivo (2017) establecieron el marco formal para consultar las preferencias del usuario para guiar el descubrimiento de reglas. El enfoque se basa en investigaciones anteriores de minería de datos interactiva y se conecta con la literatura más amplia de aprendizaje activo iniciada por Cohn, Atlas y Ladner (1994).

Cuándo usarlo

Utilice las reglas de asociación de aprendizaje activo cuando la base de datos transaccional es grande, el número de reglas por encima del umbral es inmanejable (miles a millones) y un experto en el dominio está disponible para proporcionar retroalimentación iterativa durante la sesión de minería. Es especialmente valioso en contextos de descubrimiento de conocimiento —informática clínica, análisis de cestas de compra minoristas o generación de hipótesis científicas— donde la relevancia subjetiva importa tanto como la significación estadística. No lo utilice cuando no hay un experto interactivo disponible, cuando se necesita el conjunto completo de reglas para la automatización posterior, o cuando la base de datos transaccional es tan pequeña que la enumeración exhaustiva es trivial.

Limitaciones y consideraciones

  • Requiere un experto humano interactivo durante toda la sesión, lo cual es poco práctico para pipelines completamente automatizados.
  • La calidad de los resultados depende en gran medida de la consistencia y el conocimiento del dominio del experto en etiquetado.
  • Problema de arranque en frío: el modelo de preferencias no es informativo al principio, por lo que las consultas iniciales pueden no estar bien dirigidas.
  • El enfoque está menos establecido que la minería de reglas de asociación por lotes, con menos implementaciones listas para usar.
  • La evaluación es inherentemente subjetiva y más difícil de comparar que los métodos puramente estadísticos.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Reduce drásticamente el número de reglas que un usuario debe inspeccionar al centrar la búsqueda en patrones subjetivamente interesantes.
  • Se adapta a las preferencias individuales del analista en lugar de imponer una medida de interés universal.
  • Se combina bien con cualquier minero de reglas base (Apriori, FP-growth, muestreo aleatorio) como paso de generación de candidatos.
  • Permite la exploración iterativa sin requerir que el usuario especifique los umbrales de soporte y confianza de antemano.
  • Escala a grandes espacios de reglas que de otro modo abrumarían al analista.

Aplicaciones

  • Informática clínica: descubrimiento de coocurrencias de fármacos y eventos adversos que un farmacólogo considera clínicamente plausibles.
  • Análisis de cestas de compra minoristas: identificación de oportunidades de venta cruzada que un gerente de categoría considera accionables.
  • Generación de hipótesis científicas: identificación de patrones de coocurrencia en conjuntos de datos genómicos o de ciencias sociales que coinciden con la intuición experta.
  • Detección de fraude: minería interactiva de patrones de transacciones marcados como sospechosos por un analista de fraude.
  • Sistemas de recomendación: aprendizaje de reglas de coocurrencia de ítems específicas del usuario para personalizar las recomendaciones.

Cómo funciona

Cómo funciona

1

Se genera un conjunto inicial de reglas de asociación candidatas, ya sea de forma exhaustiva (por ejemplo, mediante Apriori o FP-growth hasta un umbral flexible) o mediante muestreo. Este conjunto puede ser enorme en bases de datos transaccionales de alta dimensión, por lo que el componente de aprendizaje activo es crítico para la viabilidad.

2

El sistema selecciona la regla candidata más informativa para presentar al usuario, típicamente utilizando una función de adquisición como el muestreo por incertidumbre, el cambio esperado del modelo o las puntuaciones de interés subjetivo. El usuario etiqueta la regla como interesante o no interesante.

3

Después de cada etiqueta del usuario, el sistema actualiza su modelo interno de preferencias del usuario —típicamente un modelo bayesiano o lineal que captura qué características de la regla (soporte, confianza, lift, identidad del ítem) el usuario encuentra atractivas— y reordena los candidatos restantes en consecuencia.

4

Utilizando el modelo de preferencias actualizado, todas las reglas candidatas restantes se vuelven a puntuar. Las reglas con puntuaciones altas se priorizan para su presentación en rondas posteriores, y las reglas dominadas o casi duplicadas se podan para evitar mostrar patrones similares repetidamente.

5

El bucle continúa hasta que el usuario está satisfecho, se agota un presupuesto de consulta fijo o la ganancia esperada de futuras consultas cae por debajo de un umbral. El resultado es un conjunto pequeño y curado de reglas clasificadas por el interés predicho del usuario.

Errores comunes

  • Presentar reglas casi duplicadas en consultas sucesivas, causando fatiga al usuario y etiquetas ruidosas; use restricciones de diversidad o poda de redundancia.
  • Ignorar el problema del arranque en frío al no proporcionar reglas predeterminadas sensatas o una fase breve de calentamiento antes de que comiencen las consultas activas.
  • Tratar la lista final clasificada como un resultado estadísticamente validado sin informar también las métricas estándar de calidad de las reglas (soporte, confianza, lift).
  • Confundir la puntuación de interés subjetivo con la significación estadística objetiva, que son cantidades distintas.

Preguntas frecuentes

¿Cuántas consultas necesita responder el usuario?

En la práctica, los estudios informan que se pueden aprender modelos de preferencias útiles con tan solo 20 a 50 consultas, aunque el presupuesto depende de la diversidad del espacio de reglas y la consistencia del experto.

¿Esto reemplaza la minería de reglas de asociación estándar?

No. Es un complemento: la minería estándar (Apriori, FP-growth) se utiliza típicamente para generar candidatos, y el bucle de aprendizaje activo luego los filtra y clasifica según las preferencias del experto. El conjunto completo de reglas aún se genera internamente.

¿Qué sucede si diferentes expertos no están de acuerdo sobre las reglas interesantes?

Las reglas de asociación de aprendizaje activo aprenden un único modelo de preferencias por sesión. Cuando hay varios expertos involucrados, los modelos de preferencias pueden agregarse (por ejemplo, por votación mayoritaria sobre las etiquetas) o se pueden ejecutar sesiones separadas y fusionar sus reglas mejor clasificadas.

¿En qué se diferencia el interés de la confianza o el lift?

La confianza y el lift son medidas estadísticas objetivas computables a partir de los datos. El interés subjetivo depende del usuario: una regla puede tener un lift alto pero ser trivialmente obvia para un experto y, por lo tanto, no interesante, o tener un lift modesto pero ser novedosa y accionable.

¿Puedo usar esto sin un experto en etiquetado en tiempo real?

Si se dispone de etiquetas de preferencia pre-recopiladas (por ejemplo, de una sesión anterior), el modelo de preferencias puede entrenarse fuera de línea y aplicarse en modo por lotes, aunque esto pierde el beneficio adaptativo de la retroalimentación en tiempo real.

Métodos relacionados

Fuentes

  1. Dzyuba, V., & van Leeuwen, M. (2017). Interactive Discovery of Interesting Association Rules by Subjective Interestingness. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Springer.

    Abrir referencia de la publicación
    Copiado.
  2. Boley, M., Lucchese, C., Paurat, D., & Gartner, T. (2013). Direct Local Pattern Sampling by Efficient Two-Step Random Procedures. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 582–590). ACM.

    Abrir referencia de la publicación
    Copiado.