Skip to content
Voltar aos resultados

Regras de Associação com Aprendizagem Ativa

Proposto por
Dzyuba, V. & van Leeuwen, M.; Boley, M. et al.
Ano
2010s
Tipo
Interactive pattern mining
Família
Machine learning

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Regras de associação com aprendizagem ativa combinam o ciclo iterativo de consulta e rotulagem da aprendizagem ativa com a mineração de regras de associação, permitindo que um especialista humano guie o processo de descoberta interativamente.

Em vez de enumerar exaustivamente todas as regras acima de um limiar fixo de suporte-confiança, o sistema seleciona os candidatos a regras mais informativos e solicita ao usuário que julgue seu interesse, focando a busca em padrões subjetivamente úteis.

A intuição por trás do método

A mineração padrão de regras de associação inunda o usuário com milhares de regras acima de um limiar mínimo de suporte, a maioria das quais são redundantes ou irrelevantes. A aprendizagem ativa inverte essa situação: o algoritmo apresenta apenas as regras candidatas mais incertas ou surpreendentes a um especialista humano, coleta feedback sobre se cada regra é interessante e atualiza seu modelo de preferências do usuário após cada consulta. Ao longo de rodadas sucessivas, ele aprende a distinguir as regras que o analista considera importantes do ruído, estreitando drasticamente o espaço de busca e revelando padrões acionáveis de forma muito mais eficiente do que a enumeração exaustiva.

História

As regras de associação com aprendizagem ativa surgiram na década de 2010 como uma resposta ao conhecido problema de explosão de regras na mineração de regras de associação. Trabalhos de Boley e colegas sobre amostragem direta de padrões (2013) e de Dzyuba e van Leeuwen sobre interesse subjetivo (2017) estabeleceram a estrutura formal para consultar as preferências do usuário para guiar a descoberta de regras. A abordagem se baseia em pesquisas anteriores de mineração de dados interativa e se conecta à literatura mais ampla de aprendizagem ativa iniciada por Cohn, Atlas e Ladner (1994).

Quando usar

Use regras de associação com aprendizagem ativa quando o banco de dados transacional for grande, o número de regras acima do limiar for incontrolável (milhares a milhões), e um especialista de domínio estiver disponível para fornecer feedback iterativo durante a sessão de mineração. É especialmente valioso em contextos de descoberta de conhecimento — informática clínica, análise de cesta de compras no varejo ou geração de hipóteses científicas — onde a relevância subjetiva importa tanto quanto a significância estatística. Não o utilize quando nenhum especialista interativo estiver disponível, quando o conjunto completo de regras for necessário para automação a jusante, ou quando o banco de dados transacional for tão pequeno que a enumeração exaustiva seja trivial.

Limitações e considerações

  • Requer um especialista humano interativo durante toda a sessão, o que é impraticável para pipelines totalmente automatizados.
  • A qualidade dos resultados depende fortemente da consistência e do conhecimento de domínio do especialista em rotulagem.
  • Problema de cold-start: o modelo de preferência é pouco informativo no início, então as consultas iniciais podem não ser bem direcionadas.
  • A abordagem é menos estabelecida do que a mineração de regras de associação em lote, com menos implementações prontas para uso.
  • A avaliação é inerentemente subjetiva e mais difícil de comparar do que métodos puramente estatísticos.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Reduz drasticamente o número de regras que um usuário deve inspecionar, focando a busca em padrões subjetivamente interessantes.
  • Adapta-se às preferências individuais do analista em vez de impor uma medida universal de interesse.
  • Combina bem com qualquer minerador de regras base (Apriori, FP-growth, amostragem aleatória) como etapa de geração de candidatos.
  • Suporta exploração iterativa sem exigir que o usuário especifique os limiares de suporte e confiança antecipadamente.
  • Escala para grandes espaços de regras que, de outra forma, sobrecarregariam o analista.

Aplicações

  • Informática clínica: descoberta de coocorrências de eventos adversos a medicamentos que um farmacologista julga clinicamente plausíveis.
  • Análise de cesta de compras no varejo: identificação de oportunidades de venda cruzada que um gerente de categoria considera acionáveis.
  • Geração de hipóteses científicas: identificação de padrões de coocorrência em conjuntos de dados genômicos ou de ciências sociais que correspondem à intuição de especialistas.
  • Detecção de fraude: mineração interativa de padrões de transação sinalizados como suspeitos por um analista de fraude.
  • Sistemas de recomendação: aprendizado de regras de coocorrência de itens específicas do usuário para personalizar recomendações.

Como funciona

Como funciona

1

Um conjunto inicial de regras de associação candidatas é gerado — seja exaustivamente (por exemplo, via Apriori ou FP-growth até um limiar flexível) ou por amostragem. Esse conjunto pode ser enorme em bancos de dados transacionais de alta dimensão, portanto, o componente de aprendizagem ativa é crítico para a tratabilidade.

2

O sistema seleciona a regra candidata mais informativa para apresentar ao usuário, tipicamente usando uma função de aquisição como amostragem por incerteza, mudança esperada do modelo ou pontuações de interesse subjetivo. O usuário rotula a regra como interessante ou não interessante.

3

Após cada rótulo do usuário, o sistema atualiza seu modelo interno de preferências do usuário — tipicamente um modelo Bayesiano ou linear que captura quais características da regra (suporte, confiança, lift, identidade do item) o usuário considera atraentes — e reclassifica os candidatos restantes de acordo.

4

Usando o modelo de preferência atualizado, todas as regras candidatas restantes são reavaliadas. Regras com alta pontuação são priorizadas para apresentação em rodadas subsequentes, e regras dominadas ou quase duplicadas são podadas para evitar a exibição repetida de padrões semelhantes.

5

O ciclo continua até que o usuário esteja satisfeito, um orçamento fixo de consultas seja esgotado, ou o ganho esperado de consultas adicionais caia abaixo de um limiar. A saída é um conjunto pequeno e curado de regras classificadas pelo interesse previsto do usuário.

Erros comuns

  • Apresentar regras quase duplicadas em consultas sucessivas, causando fadiga ao usuário e rótulos ruidosos — use restrições de diversidade ou poda de redundância.
  • Ignorar o problema de cold-start ao não fornecer regras padrão sensatas ou uma breve fase de aquecimento antes do início da consulta ativa.
  • Tratar a lista final classificada como um resultado estatisticamente validado sem também relatar métricas padrão de qualidade da regra (suporte, confiança, lift).
  • Confundir a pontuação de interesse subjetivo com a significância estatística objetiva, que são quantidades distintas.

Perguntas frequentes

Quantas consultas o usuário precisa responder?

Na prática, estudos relatam que modelos de preferência úteis podem ser aprendidos com apenas 20 a 50 consultas, embora o orçamento dependa da diversidade do espaço de regras e da consistência do especialista.

Isso substitui a mineração padrão de regras de associação?

Não. É um complemento: a mineração padrão (Apriori, FP-growth) é tipicamente usada para gerar candidatos, e o ciclo de aprendizagem ativa então os filtra e classifica de acordo com as preferências do especialista. O conjunto completo de regras ainda é gerado internamente.

E se diferentes especialistas discordarem sobre regras interessantes?

As regras de associação com aprendizagem ativa aprendem um único modelo de preferência por sessão. Quando múltiplos especialistas estão envolvidos, os modelos de preferência podem ser agregados (por exemplo, por votação majoritária sobre os rótulos) ou sessões separadas podem ser executadas e suas regras mais bem classificadas mescladas.

Como o interesse é diferente da confiança ou do lift?

Confiança e lift são medidas estatísticas objetivas computáveis a partir dos dados. O interesse subjetivo é dependente do usuário — uma regra pode ter alto lift, mas ser trivialmente óbvia para um especialista e, portanto, desinteressante, ou ter lift modesto, mas ser nova e acionável.

Posso usar isso sem um especialista em rotulagem em tempo real?

Se rótulos de preferência pré-coletados estiverem disponíveis (por exemplo, de uma sessão anterior), o modelo de preferência pode ser treinado offline e aplicado em modo de lote, embora isso perca o benefício adaptativo do feedback em tempo real.

Métodos relacionados

Fontes

  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 referência da publicação
    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 referência da publicação
    Copiado.