17.6 MINING ASSOCIATION RULESIn ord

17.6 MINING ASSOCIATION RULES
In order to get some experience with association rules, we work with Apriori, the
algorithm described in Section 4.5 (page 144). As you will discover, it can be
challenging to extract useful information using this algorithm.
Association-Rule Mining
To get a feel for how to apply Apriori, start by mining rules from the weather.
nominal.arff data that was used in Section 17.1. Note that this algorithm expects
data that is purely nominal: If present, numeric attributes must be discretized first.
After loading the data in the Preprocess panel, click the Start button in the Associate
panel to run Apriori with default options. It outputs 10 rules, ranked according to
the confidence measure given in parentheses after each one (they are listed in Figure
11.16). As we explained in Chapter 11 (page 430), the number following a rule’s
antecedent shows how many instances satisfy the antecedent; the number following
the conclusion shows how many instances satisfy the entire rule (this is the rule’s
“support”). Because both numbers are equal for all 10 rules, the confidence of every
rule is exactly 1.
In practice, it can be tedious to find minimum support and confidence values that
give satisfactory results. Consequently, as explained in Chapter 11, Weka’s Apriori
runs the basic algorithm several times. It uses the same user-specified minimum
confidence value throughout, given by the minMetric parameter. The support level
is expressed as a proportion of the total number of instances (14 in the case of the
weather data), as a ratio between 0 and 1. The minimum support level starts at a
certain value (upperBoundMinSupport, default 1.0). In each iteration the support is
decreased by a fixed amount (delta, default 0.05, 5% of the instances) until either a
certain number of rules has been generated (numRules, default 10 rules) or the
support reaches a certain “minimum minimum” level (lowerBoundMinSupport,

ผลลัพธ์ (ไทย) 1:

17.6 สมาคมเหมืองแร่
เพื่อหาประสบการณ์กับสมาคม เราทำงานกับ Apriori
อัลกอริทึมที่อธิบายไว้ในหัวข้อ 4.5 (หน้า 144) เป็นคุณจะค้นพบ มันสามารถ
ท้าทายเพื่อดึงข้อมูลโดยใช้อัลกอริทึมนี้ได้
กฎสมาคมเหมืองแร่
รับความรู้สึกสำหรับวิธีการใช้ Apriori เริ่มต้น ด้วยกฎการทำเหมืองแร่จากสภาพอากาศ
ระบุได้ข้อมูล arff ที่ใช้ในส่วน 17.1 หมายเหตุที่คาดว่าอัลกอริทึมนี้
ข้อมูลที่ระบุเพียงอย่างเดียว: ถ้ามี ต้องเป็น discretized แอตทริบิวต์ตัวเลขก่อน
หลังจากการโหลดข้อมูลในแผง Preprocess คลิกปุ่มเริ่มต้นในการรศ
แผงทำงาน Apriori ด้วยตัวเลือกเริ่มต้น มันแสดงผลกฎ 10 จัดอันดับตาม
วัดความเชื่อมั่นที่กำหนดในวงเล็บหลังจากแต่ละคน (ในรูป
11.16) ตามที่เราอธิบายไว้ในบทที่ 11 (หน้า 430), หมายเลขต่อไปนี้ของกฎ
antecedent แสดง antecedent ตอบสนองหลายวิธี ต่อหมายเลข
แสดงข้อสรุปหลายวิธีตามกฎทั้งหมด (เป็นกฎการ
"สนับสนุน") เนื่องจากตัวเลขทั้งสองเท่ากันสำหรับกฎ 10 ทั้งหมด ความเชื่อมั่นของทุก
กฎคือ ว่า 1.
ในทางปฏิบัติ มันอาจน่าเบื่อหาสนับสนุนต่ำสุด และค่าความเชื่อมั่นที่
ให้ผลลัพธ์ที่น่าพอใจ ดังนั้น ตามที่อธิบายไว้ในบทที่ 11, Apriori ของ Weka
เรียกใช้อัลกอริทึมพื้นฐานหลายครั้ง ใช้ขั้นต่ำที่ระบุผู้ใช้เดียวกัน
ค่าความเชื่อมั่นตลอด กำหนด โดยพารามิเตอร์ minMetric ระดับสนับสนุน
แสดงเป็นสัดส่วนของจำนวนของอินสแตนซ์ (14 ในกรณีที่การ
ข้อมูลสภาพอากาศ), เป็นอัตราส่วนระหว่าง 0 และ 1 ระดับสนับสนุนต่ำสุดเริ่มต้นที่การ
ค่า (upperBoundMinSupport เริ่มต้น 1.0) เนื่อง จะสนับสนุน
ลดลงตามยอดเงินคงที่ (เดลต้า เริ่มต้น 0.05, 5% ของอินสแตนซ์) จนทั้งตัว
จำนวนกฎถูกสร้างขึ้น (numRules เริ่มต้นกฎ 10) หรือ
สนับสนุนถึง "ขั้นต่ำอย่างน้อย" ระดับ (lowerBoundMinSupport

ผลลัพธ์ (ไทย) 2:

17.6 สมาคมเหมืองแร่กฎ
เพื่อให้ได้รับประสบการณ์กับกฎระเบียบของสมาคมเราทำงานร่วมกับ Apriori,
ขั้นตอนวิธีการที่อธิบายไว้ในมาตรา 4.5 (หน้า 144) ในขณะที่คุณจะได้ค้นพบก็สามารถ
ที่ท้าทายความสามารถในการดึงข้อมูลที่เป็นประโยชน์โดยใช้วิธีนี้
การทำเหมืองแร่สมาคมกฎ
เพื่อให้ได้ความรู้สึกสำหรับวิธีการใช้ Apriori เริ่มต้นด้วยการทำเหมืองแร่กฎจากสภาพอากาศที่
nominal.arff ข้อมูลที่ถูกใช้ในมาตรา 17.1 โปรดทราบว่าขั้นตอนวิธีนี้คาดว่าจะมี
ข้อมูลที่มีน้อยอย่างหมดจด: ถ้ามีคุณลักษณะตัวเลขต้อง discretized แรก
หลังจากการโหลดข้อมูลในแผง preprocess คลิกปุ่ม Start ในรอง
แผงทำงาน Apriori กับตัวเลือกเริ่มต้น 10 มันออกกฎการจัดอันดับตาม
ตัวชี้วัดความเชื่อมั่นที่ให้ไว้ในวงเล็บหลังแต่ละคน (พวกเขามีการระบุไว้ในรูปที่
11.16) ในขณะที่เราได้อธิบายไว้ในบทที่ 11 (หน้า 430), หมายเลขต่อไปนี้การปกครองของ
อดีตแสดงให้เห็นว่าหลาย ๆ กรณีที่ตอบสนองมาก่อน; หมายเลขต่อไปนี้
ข้อสรุปที่แสดงให้เห็นว่าหลาย ๆ กรณีที่ตอบสนองกฎทั้งหมด (นี่คือกฎของ
"สนับสนุน") เพราะตัวเลขทั้งสองจะเท่าเทียมกันสำหรับทุก 10 กฎความเชื่อมั่นของทุก
กฎเป็นสิ่งที่ 1
ในทางปฏิบัติมันจะน่าเบื่อที่จะหาการสนับสนุนค่าต่ำสุดและความมั่นใจว่า
จะให้ผลลัพธ์ที่น่าพอใจ ดังนั้นตามที่อธิบายไว้ในบทที่ 11 ของ Weka Apriori
จะใช้วิธีการขั้นพื้นฐานหลายครั้ง จะใช้ที่ผู้ใช้ระบุเดียวกันขั้นต่ำ
ค่าความเชื่อมั่นตลอดที่กำหนดโดยพารามิเตอร์ minMetric สนับสนุนระดับ
จะแสดงเป็นสัดส่วนของจำนวนของอินสแตนซ์ (14 ในกรณีที่
ข้อมูลสภาพอากาศ) เป็นอัตราส่วนระหว่าง 0 และ 1. สนับสนุนระดับขั้นต่ำเริ่มต้นที่
ค่าบางอย่าง (upperBoundMinSupport, เริ่มต้น 1.0) ในแต่ละย้ำการสนับสนุนที่
ลดลงตามจำนวนเงินที่คงที่ (เดลต้าเริ่มต้น 0.05, 5% ของกรณี) จนทั้ง
จำนวนหนึ่งของกฎระเบียบที่ได้รับการสร้าง (numRules เริ่มต้น 10 กฎ) หรือ
สนับสนุนถึงบางอย่าง "ขั้นต่ำขั้นต่ำ" ระดับ (lowerBoundMinSupport,

ผลลัพธ์ (ไทย) 3:

เครื่องหมายสมาคมเหมืองแร่กฎ
เพื่อที่จะได้รับบางประสบการณ์กับกฎของสมาคม เราทำงานกับ aPriori ,
ขั้นตอนวิธีที่อธิบายไว้ในมาตรา 5 ( หน้า 144 ) คุณจะค้นพบมันสามารถท้าทายที่จะดึงข้อมูลที่เป็นประโยชน์

กฎใช้อัลกอริทึมนี้ สมาคมเหมืองแร่
ที่จะได้รับความรู้สึกสำหรับวิธีการสมัครแบบ เริ่มจากเหมืองแร่ จากกฎของสภาพอากาศ
ปกติarff ข้อมูลที่ใช้ในส่วน 17.1 . โปรดทราบว่าขั้นตอนนี้คาดว่า
ข้อมูลที่หมดจดปกติ : ถ้าปัจจุบันคุณลักษณะตัวเลขต้องเป็นแบบจุดแรก
หลังจากโหลดข้อมูลใน preprocess แผง , คลิกที่ปุ่ม Start ในภาคี
แผงวิ่งแบบที่มีตัวเลือกเริ่มต้น มันแสดงผล 10 อันดับตามกฎ

,ความเชื่อมั่นในมาตรการให้วงเล็บหลังแต่ละคน ( พวกเขาจะแสดงในรูป
11.16 ) ตามที่เราได้อธิบายในบทที่ 11 ( หน้า 430 ) หมายเลขต่อไปนี้ของ
กฎมาก่อนแสดงให้เห็นว่ามีกรณีพึงพอใจมาก่อน ; หมายเลขต่อไปนี้
สรุปวิธีการหลายกรณีที่ตรงกับกฎทั้งหมด นี่เป็นกฎของ
" สนับสนุน " ) เพราะตัวเลขทั้งสองจะเท่ากันทั้งหมด 10 กฎความมั่นใจของทุก
กฎคือ 1 .
ในทางปฏิบัติสามารถที่น่าเบื่อที่จะหาการสนับสนุนและความเชื่อมั่นของค่าต่ำสุดที่
ให้ผลลัพธ์ที่น่าพอใจ ดังนั้น ตามที่อธิบายไว้ในบทที่ 11 Weka ของ aPriori
วิ่งขั้นตอนวิธีพื้นฐานหลายๆ ครั้ง มันใช้ User เดียวกันระบุขั้นต่ำ
ค่าความเชื่อมั่นตลอด , ที่กำหนดโดยพารามิเตอร์ minmetric . ระดับการสนับสนุน
จะแสดงเป็น สัดส่วนของจำนวนทั้งหมดของอินสแตนซ์ ( 14 ในกรณีที่ข้อมูล
สภาพอากาศ ) เป็นค่าระหว่าง 0 และ 1 ระดับการสนับสนุนขั้นต่ำเริ่มต้นที่ค่า (
upperboundminsupport เริ่มต้น 1.0 ) ในแต่ละซ้ำสนับสนุน
ลดลงคงที่ ( Delta , เริ่มต้น 2 , 5% ของอินสแตนซ์ ) จนทั้ง
หมายเลขหนึ่งของกฎที่ถูกสร้างขึ้น numrules ( ,เริ่มต้น 10 กฎ ) หรือ
สนับสนุนถึงบางขั้นต่ำ " ต่ำสุด " ( lowerboundminsupport ระดับ ,