Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği

MALIK, Zahraa Mohammed Malik; AL-SHEHABI, Shadi; DÖKEROĞLU, Tansel

Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği

Zahraa Mohammed Malik MALIK, (Türk Hava Kurumu Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Ankara,Türkiye)

Shadi AL-SHEHABI, (Türk Hava Kurumu Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Ankara,Türkiye)

Tansel DÖKEROĞLU (Türk Hava Kurumu Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Ankara,Türkiye)

Düzce Üniversitesi Bilim ve Teknoloji Dergisi

2 1

Yıl: 2018 Cilt: 6 Sayı: 4 Sayfa Aralığı: 1119 - 1138 Metin Dili: Türkçe İndeks Tarihi: 06-02-2020

Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği

Öz:

Birliktelik kuralları, veri kümesindeki nesnelerin varlığının diğer nesnelerin varlığını nasıl etkilediğinitanımlanmaktadır. Bu kurallar, alış veriş sepeti analizinde, bir ürünün aynı işlemdeki diğer ürünler üzerindekietkisini incelemek için kullanılmaktadır. Pozitif ve negatif birliktelik kuralları olarak iki şekilde ifade edilebilirler.Pozitif birliktelik kuralı, bir ürün varlığının aynı işlemde diğer ürünü bulma olanağını arttırdığını, negatif birliktelikkuralı, bir çeşidin bulunmasının, diğer ürünün aynı işlemde olabilme ihtimalini azalttığını göstermektedir. Dahaönceki işlemlerdeki sıklığı araştırdığı için pozitif birliktelik kuralı madenciliği, negatif birliktelik kurallarımadenciliğine göre daha kolaydır. Negatif birlikteki kuralı madenciliğinde daha önceki işlemler araştırıldığında,ilgisiz ürünler arasındaki kurallarının madenciliği ile karşılaşılır. Bu kuralların çıkarımından kaçınmak içinmadencilik tekniklerine sağlanan önceden tanımlı alan bilgisi kullanılmaktadır. Dolayısıyla bu bilgi, bulunankuralların ilgili ürünlere ait olmasını gerektirir. Bu çalışmada, satın alınan miktarlara dayalı veri kümesindenotomatik olarak bilgi alınması ile veri kümesindeki ürünler arasındaki negatif birliktelik kurallarını bulmakabiliyetine sahip yeni bir teknik önerilmektedir. Birliktelik kuralı madenciliği, gözetimsiz veri madencilik tekniğiolduğundan, sağlanan veri kümesi etiketsiz verilerden oluşmaktadır. DBSCAN kümeleme yönteminin kullanımı,gerçek yaşam işlem veri tabanında test edildiğinde %0,21 destek ve %91,84 ortalama güven değerleri ile eldeedilen 4.086 kural ile daha iyi sonuçlar göstermektedir. K-ortalama kümeleme yönteminin kullanımı ile çıkarılanalan bilgisine dayalı negatif birliktelik kuralları madenciliği sonucunda, %0,19 destek ve %85,84 ortalama güvendeğerine sahip 1.780 kural bulunurken, önerilen alan bilgisiz negatif birliktelik kuralı sonucu %0,12 destek ve%99,37 güven ortalama değerli 9.066 kural ile bu sonucu vermiştir.

Anahtar Kelime:

Konular: Bilgisayar Bilimleri, Yazılım Mühendisliği Bilgisayar Bilimleri, Yapay Zeka

Quantity-Based Negative Association Rule Mining Using Unsupervised Machine Learning Techniques

Öz:

Association rules are defined as the relationships between objects in the dataset where the existence of one object in a certain condition affects the probability of the existence of the other object. These rules are widely investigated in the analysis of shopping baskets, to examine the effect of one item on the other in the same transaction. These rules may appear in two terms, positive and negative association rules. The negative association rule indicated that the existence of an item decreases the chance that the other item may appear in the same transaction. Mining positive association rules is relatively easy by simply investigating frequent patterns in earlier transactions. Mining negative association rule faces the main challenge of mining uninteresting rules between unrelated items, when earlier transactions are investigated. To avoid the extraction of such rules, existing negative association rule mining techniques rely on a predefined domain knowledge provided to the mining techniques. So that, this knowledge is used to ensure that the extracted rules are for related items. In this study, a novel technique is proposed that has the ability to mine interesting negative association rules between items in the transactions dataset, by automatically extracting knowledge from that dataset based on the purchased quantities. As miningassociation rules is an unsupervised data mining technique, the provided dataset is unlabeled data. The use of DBSCAN clustering method has shown better negative association rule mining results of 4,086 rules, with an average of 0.21% support and 91.84% confidence, when tested on a real-life transactions dataset. Mining negative association rules based on the domain knowledge extracted using the K-means clustering method has 1,780 rules with an average of 0.19% support and 85.84% confidence, while mining negative rules without any domain knowledge results in 9,066 rules with an average support of 0.12% and average confidence of 99.37%, using the same dataset.

Anahtar Kelime:

Konular: Bilgisayar Bilimleri, Yazılım Mühendisliği Bilgisayar Bilimleri, Yapay Zeka

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

A. L. Buczak ve E. Guven, "A survey of data mining and machine learning methods for cyber security intrusion detection," IEEE Communications Surveys & Tutorials, vol. 18, pp. 1153-1176, 2016.
A. Holzinger ve I. Jurisica, "Knowledge discovery and data mining in biomedical informatics: The future is in integrative, interactive machine learning solutions," in Interactive knowledge discovery and data mining in biomedical informatics, ed: Springer, 2014, pp. 1-18.
M. Hahsler ve R. Karpienko, "Visualizing association rules in hierarchical groups," Journal of Business Economics, vol. 87, pp. 317-335, 2017.
Y. Zhao ve S.S. Bhowmick, "Association Rule Mining with R," A Survey Nanyang Technological University, Singapore, 2015.
P. Kazienko, “Associations: discovery, analysis and applications”, Oficyna Wydawnicza Politechniki Wrocławskiej, 2008.
G. Suchacka ve G. Chodak, "Using association rules to assess purchase probability in online stores," Information Systems and e-Business Management, vol. 15, pp. 751-780, 2017.
S. Datta ve S. Bose, "Discovering association rules partially devoid of dissociation by weighted confidence," Recent Trends in Information Systems (ReTIS), 2015 IEEE 2nd International Conference, 2015, ss. 138-143.
S. Brin, R. Motwani, ve C. Silverstein, "Beyond market baskets: Generalizing association rules to correlations," in Acm Sigmod Record, pp. 265-276, 1997.
A. Savasere, E. Omiecinski, ve S. Navathe, "Mining for strong negative associations in a large database of customer transactions," Data Engineering, 1998. Proceedings, 14th International Conference, 1998, pp. 494-502.
X. Yuan, B. P. Buckles, Z. Yuan, ve J. Zhang, "Mining negative association rules," Computers and Communications, 2002. Proceedings. ISCC 2002. Seventh International Symposium, 2002, pp. 623- 628.
L.-M. Tsai, S.-J. Lin, ve D.-L. Yang, "Efficient mining of generalized negative association rules," in Granular Computing (GrC), 2010 IEEE International Conference, 2010, pp. 471-476.
L. Aliahmadipour, V. Torra, ve E. Eslami, "On hesitant fuzzy clustering and clustering of hesitant fuzzy data," in Fuzzy Sets, Rough Sets, Multisets and Clustering, ed: Springer, 2017, pp. 157- 168.
M. B. Cohen, S. Elder, C. Musco, C. Musco, ve M. Persu, "Dimensionality reduction for kmeans clustering and low rank approximation," in Proceedings of the forty-seventh annual ACM symposium on Theory of computing, 2015, pp. 163-172.
T. M. Kodinariya ve P. R. Makwana, "Review on determining number of Cluster in K-Means Clustering," International Journal, vol. 1, pp. 90-95, 2013.
R. Agarwal, ve R. Srikant, Fast algorithms for mining association rules. In Proc. of the 20th VLDB Conference, 1994, pp. 487-499.
G. Sheng, H., Hou, X, Jiang, ve Y. Chen (). A novel association rule mining method of big data for power transformers state parameters based on probabilistic graph model. IEEE Transactions on Smart Grid, vol. 9, no. 2, pp. 695-702, 2018.
T.D.B., Le, ve D. Lo, “Beyond support and confidence: Exploring interestingness measures for rule-based specification mining”, In Software Analysis, Evolution and Reengineering (SANER), 22nd International Conference, IEEE, 2015, pp. 331-340.
Artamonova, I. I., Frishman, G., and Frishman, D.. “Applying negative rule mining to improve genome annotation,” BMC bioinformatics, vol. 8, no.1, ss. 261, 2007.
M. Ester, H.P. Kriegel, J. Sander, and X. Xu, “A density-based algorithm for discovering clusters in large spatial databases with noise,” In Kdd, vol. 96, no. 34, pp. 226-231, 1996.
T.T., Bilgin, ve Y. Çamurcu, “DBSCAN, OPTICS ve K-Means Kümeleme Algoritmalarının Uygulamalı Karşılaştırılması,”, Politeknik Dergisi, vol. 8, no. 2, 2005.

APA	MALIK Z, AL-SHEHABI S, DÖKEROĞLU T (2018). Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. , 1119 - 1138.
Chicago	MALIK Zahraa Mohammed Malik,AL-SHEHABI Shadi,DÖKEROĞLU Tansel Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. (2018): 1119 - 1138.
MLA	MALIK Zahraa Mohammed Malik,AL-SHEHABI Shadi,DÖKEROĞLU Tansel Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. , 2018, ss.1119 - 1138.
AMA	MALIK Z,AL-SHEHABI S,DÖKEROĞLU T Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. . 2018; 1119 - 1138.
Vancouver	MALIK Z,AL-SHEHABI S,DÖKEROĞLU T Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. . 2018; 1119 - 1138.
IEEE	MALIK Z,AL-SHEHABI S,DÖKEROĞLU T "Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği." , ss.1119 - 1138, 2018.
ISNAD	MALIK, Zahraa Mohammed Malik vd. "Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği". (2018), 1119-1138.

APA	MALIK Z, AL-SHEHABI S, DÖKEROĞLU T (2018). Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6(4), 1119 - 1138.
Chicago	MALIK Zahraa Mohammed Malik,AL-SHEHABI Shadi,DÖKEROĞLU Tansel Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi 6, no.4 (2018): 1119 - 1138.
MLA	MALIK Zahraa Mohammed Malik,AL-SHEHABI Shadi,DÖKEROĞLU Tansel Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, vol.6, no.4, 2018, ss.1119 - 1138.
AMA	MALIK Z,AL-SHEHABI S,DÖKEROĞLU T Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi. 2018; 6(4): 1119 - 1138.
Vancouver	MALIK Z,AL-SHEHABI S,DÖKEROĞLU T Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi. 2018; 6(4): 1119 - 1138.
IEEE	MALIK Z,AL-SHEHABI S,DÖKEROĞLU T "Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği." Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6, ss.1119 - 1138, 2018.
ISNAD	MALIK, Zahraa Mohammed Malik vd. "Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği". Düzce Üniversitesi Bilim ve Teknoloji Dergisi 6/4 (2018), 1119-1138.