İçeriğe atla
Arama sonuçlarına dön

Aktif Öğrenme İlişki Kuralları

Ortaya koyan
Dzyuba, V. & van Leeuwen, M.; Boley, M. et al.
Yıl
2010s
Tür
Interactive pattern mining
Aile
Machine learning

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Aktif öğrenme ilişki kuralları, aktif öğrenmenin iteratif sorgulama ve etiketleme döngüsünü ilişki kuralı madenciliği ile birleştirerek, bir insan uzmanın keşif sürecini etkileşimli olarak yönlendirmesine olanak tanır.

Sabit bir destek-güven eşiğinin üzerindeki tüm kuralları tüketici düzeyde listelemek yerine, sistem en bilgilendirici kural adaylarını seçer ve öznel olarak faydalı örüntülere odaklanarak kullanıcının ilginçliklerini yargılamasını ister.

Yöntemin mantığı

Standart ilişki kuralı madenciliği, minimum destek eşiğinin üzerindeki binlerce kuralı kullanıcıya sunar; bunların çoğu gereksiz veya ilgisizdir. Aktif öğrenme bunu tersine çevirir: algoritma, yalnızca en belirsiz veya şaşırtıcı aday kuralları bir insan uzmana sunar, her kuralın ilginç olup olmadığına dair geri bildirim toplar ve her sorgudan sonra kullanıcı tercihlerinin modelini günceller. Ardışık turlar boyunca, analistin önem verdiği kuralları gürültüden ayırt etmeyi öğrenir, arama alanını önemli ölçüde daraltır ve tüketici düzeyde listelemeden çok daha verimli bir şekilde eyleme geçirilebilir örüntüleri yüzeye çıkarır.

Tarih

Aktif öğrenme ilişki kuralları, ilişki kuralı madenciliğindeki iyi bilinen kural patlaması sorununa bir yanıt olarak 2010'larda ortaya çıktı. Boley ve meslektaşlarının doğrudan örüntü örneklemesi (2013) ve Dzyuba ve van Leeuwen'in öznel ilginçlik üzerine çalışmaları (2017) üzerine yapılan çalışmalar, kural keşfini yönlendirmek için kullanıcı tercihlerini sorgulamanın biçimsel çerçevesini oluşturdu. Yaklaşım, daha önceki etkileşimli veri madenciliği araştırmalarından yararlanır ve Cohn, Atlas ve Ladner (1994) tarafından başlatılan daha geniş aktif öğrenme literatürüne bağlanır.

Ne zaman kullanılır?

İşlem veritabanının büyük olduğu, eşik üzerindeki kural sayısının yönetilemez olduğu (binlerce ila milyonlarca) ve madencilik oturumu sırasında madencilik oturumu sırasında iteratif geri bildirim sağlayabilen bir alan uzmanının mevcut olduğu durumlarda aktif öğrenme ilişki kurallarını kullanın. Özellikle bilgi keşfi bağlamlarında — klinik bilişim, perakende sepet analizi veya bilimsel hipotez üretimi — istatistiksel anlamlılık kadar öznel alaka düzeyinin de önemli olduğu durumlarda değerlidir. Etkileşimli bir uzman mevcut olmadığında, tam kural kümesi aşağı akış otomasyonu için gerektiğinde veya işlem veritabanı tüketici düzeyde listelemenin önemsiz olduğu kadar küçük olduğunda kullanmayın.

Sınırlar ve dikkat edilmesi gerekenler

  • Oturum boyunca etkileşimli bir insan uzmanı gerektirir, bu da tam otomatik işlem hatları için pratik değildir.
  • Sonuçların kalitesi, etiketleyen uzmanın tutarlılığına ve alan bilgisine büyük ölçüde bağlıdır.
  • Soğuk başlangıç sorunu: tercih modeli başlangıçta bilgilendirici değildir, bu nedenle ilk sorgular iyi hedeflenmeyebilir.
  • Yaklaşım, yığın ilişki kuralı madenciliğinden daha az yerleşiktir, daha az hazır uygulamaya sahiptir.
  • Değerlendirme doğası gereği özneldir ve yalnızca istatistiksel yöntemlerden daha zor ölçülür.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Arama alanını öznel olarak ilginç örüntülere odaklayarak kullanıcının incelemesi gereken kural sayısını önemli ölçüde azaltır.
  • Evrensel bir ilginçlik ölçüsü dayatmak yerine bireysel analist tercihlerine uyum sağlar.
  • Aday üretim adımı olarak herhangi bir temel kural madencisi (Apriori, FP-growth, rastgele örnekleme) ile iyi uyum sağlar.
  • Kullanıcının önceden destek ve güven eşiklerini belirtmesini gerektirmeden iteratif keşfi destekler.
  • Analisti aksi takdirde bunaltacak büyük kural alanlarına ölçeklenir.

Uygulama alanları

  • Klinik bilişim: bir farmakoloğun klinik olarak makul bulduğu ilaç-yan etki eş-oluşumlarını keşfetmek.
  • Perakende sepet analizi: bir kategori yöneticisinin eyleme geçirilebilir bulduğu çapraz satış fırsatlarını yüzeye çıkarmak.
  • Bilimsel hipotez üretimi: uzman sezgisiyle eşleşen genomik veya sosyal bilim veri kümelerindeki eş-oluşum örüntülerini tanımlamak.
  • Dolandırıcılık tespiti: bir dolandırıcılık analisti tarafından şüpheli olarak işaretlenen işlem örüntülerini etkileşimli olarak madencilik yapmak.
  • Öneri sistemleri: önerileri kişiselleştirmek için kullanıcıya özel öğe-eş-oluşum kurallarını öğrenmek.

Nasıl çalışır?

Nasıl çalışır?

1

Aday ilişki kurallarından oluşan bir başlangıç havuzu oluşturulur — ya tüketici düzeyde (örneğin, Apriori veya FP-growth ile gevşek bir eşiğe kadar) ya da örnekleme yoluyla. Yüksek boyutlu işlem veritabanlarında bu havuz çok büyük olabilir, bu nedenle aktif öğrenme bileşeni, izlenebilirlik için kritik öneme sahiptir.

2

Sistem, genellikle belirsizlik örneklemesi, beklenen model değişikliği veya öznel ilginçlik puanları gibi bir kazanım fonksiyonu kullanarak kullanıcıya sunulacak en bilgilendirici aday kuralı seçer. Kullanıcı kuralı ilginç veya ilginç değil olarak etiketler.

3

Her kullanıcı etiketinden sonra, sistem kullanıcı tercihlerinin iç modelini — genellikle kullanıcının hangi kural özelliklerini (destek, güven, kaldırma, öğe kimliği) çekici bulduğunu yakalayan bir Bayes veya doğrusal model — günceller ve kalan adayları buna göre yeniden sıralar.

4

Güncellenmiş tercih modeli kullanılarak, kalan tüm aday kurallar yeniden puanlanır. Yüksek puanlı kurallar sonraki turlarda sunulmak üzere önceliklendirilir ve benzer örüntülerin tekrar tekrar gösterilmesini önlemek için baskılanmış veya neredeyse yinelenen kurallar ayıklanır.

5

Döngü, kullanıcı tatmin olana, sabit bir sorgu bütçesi tükenene veya daha fazla sorgudan beklenen kazanç bir eşiğin altına düşene kadar devam eder. Çıktı, tahmini kullanıcı ilgisine göre sıralanmış küçük, küratörlü bir kural kümesidir.

Sık yapılan hatalar

  • Birbirine yakın yinelenen kuralları ardışık sorgularda sunmak, kullanıcı yorgunluğuna ve gürültülü etiketlere neden olur — çeşitlilik kısıtlamaları veya yinelenen ayıklama kullanın.
  • Soğuk başlangıç sorununu, makul varsayılan kurallar sağlamayarak veya aktif sorgulama başlamadan önce kısa bir ısınma aşaması sunmayarak göz ardı etmek.
  • Nihai sıralanmış listeyi, standart kural kalite metriklerini (destek, güven, kaldırma) de raporlamadan istatistiksel olarak doğrulanmış bir sonuç olarak ele almak.
  • Öznel ilginçlik puanını, farklı nicelikler olan nesnel istatistiksel anlamlılıkla karıştırmak.

Sık sorulan sorular

Kullanıcının cevaplaması gereken kaç sorgu vardır?

Uygulamada, çalışmalar kullanışlı tercih modellerinin yalnızca 20 ila 50 sorgu ile öğrenilebileceğini bildirmektedir, ancak bütçe kural alanının çeşitliliğine ve uzmanın tutarlılığına bağlıdır.

Bu, standart ilişki kuralı madenciliğinin yerini mi alıyor?

Hayır. Bir tamamlayıcıdır: standart madencilik (Apriori, FP-growth), adayları üretmek için tipik olarak kullanılır ve aktif öğrenme döngüsü daha sonra bunları uzman tercihlerine göre filtreler ve sıralar. Tam kural kümesi hala dahili olarak üretilir.

Farklı uzmanlar ilginç kurallar konusunda anlaşamazsa ne olur?

Aktif öğrenme ilişki kuralları oturum başına tek bir tercih modeli öğrenir. Birden fazla uzman dahil olduğunda, tercih modelleri birleştirilebilir (örneğin, etiketler üzerinden çoğunluk oyuyla) veya ayrı oturumlar çalıştırılabilir ve en üst sıralarda yer alan kuralları birleştirilebilir.

İlginçlik, güven veya kaldırmadan nasıl farklıdır?

Güven ve kaldırma, verilerden hesaplanabilen nesnel istatistiksel ölçümlerdir. Öznel ilginçlik kullanıcıya bağlıdır — bir kural yüksek kaldırmaya sahip olabilir ancak bir uzman için önemsiz derecede bariz ve dolayısıyla ilginç olmayabilir veya mütevazı bir kaldırmaya sahip olabilir ancak yeni ve eyleme geçirilebilir olabilir.

Bunu gerçek zamanlı olarak etiketleyen bir uzman olmadan kullanabilir miyim?

Önceden toplanmış tercih etiketleri mevcutsa (örneğin, önceki bir oturumdan), tercih modeli çevrimdışı eğitilebilir ve yığın modunda uygulanabilir, ancak bu, gerçek zamanlı geri bildirimin uyarlanabilir faydasını kaybeder.

İlgili yöntemler

Kaynaklar

  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.

    Yayın kaynağını aç
    Kopyalandı.
  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.

    Yayın kaynağını aç
    Kopyalandı.