Veri Madenciliği Final Deneme Sınavı -9

1. Birliktelik Kuralları

Birliktelik kuralları, belirli bir öğenin veya öğe grubunun varlığının, başka bir öğenin varlığıyla ilişkili olduğunu gösterir. Örneğin, market sepeti analizinde, “Eğer müşteri süt alıyorsa, ekmek de alır” şeklindeki bir kural, birliktelik kuralıdır. Bu kurallar, veriler arasındaki gizli kalıpları ve ilişkileri ortaya çıkarır.

2. Destek ve Güven

Destek (Support): Belirli bir kuralın veri setinde ne sıklıkta ortaya çıktığını gösterir. Destek, kuralın genel geçerliliğini ve yaygınlığını belirler. Örneğin, “süt ve ekmek” kuralı, tüm işlemlerin %30’unda bulunuyorsa, desteği %30’dur.

Güven (Confidence): X öğesinin varlığında Y öğesinin bulunma olasılığını gösterir. Güven, kuralın doğruluğunu ve güvenilirliğini ölçer. Örneğin, “süt alındığında ekmek de alınıyor” kuralının güveni %70 ise, süt alan müşterilerin %70’i aynı zamanda ekmek de alır.

3. Apriori Algoritması

Apriori algoritması, birliktelik kurallarını bulmak için kullanılan temel algoritmalardan biridir. Bu algoritma, sık öge kümelerini keşfetmek için aşamalı bir yaklaşım kullanır ve destek tabanlı kesme yöntemini uygular.

Adımlar: Apriori algoritması, başlangıçta tek öğelerden oluşan öge kümelerini belirler ve ardından bu kümeleri genişleterek daha büyük sık öge kümelerini bulur. Bu süreç, belirli bir destek eşiğinin altındaki öge kümelerinin elenmesiyle devam eder.

Özellikler: Apriori algoritması, sık öge kümelerini bulmak için alt kümelerinin de sık olması gerektiği prensibini kullanır. Bu, algoritmanın verimli çalışmasını sağlar.

4. Uygulama Alanları

Birliktelik analizi, çeşitli sektörlerde geniş bir uygulama yelpazesine sahiptir:

Perakende: Market sepeti analizi ile müşteri alışveriş alışkanlıklarını belirlemek ve çapraz satış stratejileri geliştirmek.

E-ticaret: Ürün öneri sistemleri oluşturarak müşteri deneyimini ve satışları artırmak.

Pazarlama: Müşteri segmentasyonu yaparak hedeflenmiş pazarlama kampanyaları oluşturmak.

Sağlık: Hastalık ve tedavi yöntemleri arasındaki ilişkileri analiz etmek.

5. Destek ve Güven Tabanlı Kesme

Destek tabanlı kesme, yalnızca belirli bir destek eşiğinin üzerindeki öge kümelerinin dikkate alınmasını sağlar. Bu, gereksiz ve düşük frekanslı kuralların elenmesini kolaylaştırır. Güven tabanlı kesme ise belirli bir güven eşiğinin altındaki kuralların elenmesini sağlar, böylece daha güvenilir ve anlamlı kurallar elde edilir.

Sonuç

Birliktelik analizi, veri setlerindeki gizli kalıpları ve ilişkileri keşfetmek için güçlü bir araçtır. Apriori algoritması ve destek-güven metrikleri, bu ilişkilerin belirlenmesinde önemli rol oynar. Doğru uygulandığında, birliktelik analizi işletmelere değerli bilgiler sağlar ve stratejik kararlar alınmasına yardımcı olur.

1- Birliktelik analizi için kullanılan destek ve güven oranları hangi bilgiyi sağlar?

A) Ürünlerin fiyat değişimlerini
B) Bir kuralın ne sıklıkta uygulandığını ve çıkarımın güvenilirliğini
C) Ürünlerin stok durumlarını
D) Bir ürünün popülerliğini
E) Reklam kampanyalarının etkisini

Cevap: B) Bir kuralın ne sıklıkta uygulandığını ve çıkarımın güvenilirliğini

Açıklama: Destek ve güven oranları, birliktelik kurallarının sıklığını ve bu kuralların güvenilirliğini ölçer. Destek, kuralın ne sıklıkta görüldüğünü; güven ise kuralın doğruluğunu gösterir.

2- Apriori prensibine göre, bir sık öge kümesinin alt kümeleri hakkında hangisi doğrudur?

A) Alt kümelerin hiçbiri sık olamaz
B) Sadece bir alt küme sık olabilir
C) Tüm alt kümeler sık olabilir
D) Yalnızca en büyük alt küme sık olabilir
E) Hiçbir alt küme sık olamaz

Cevap: C) Tüm alt kümeler sık olabilir

Açıklama: Apriori prensibine göre, bir sık öge kümesinin tüm alt kümeleri de sıktır. Bu, sık öge kümelerinin oluşturulmasında önemli bir temel oluşturur.

3- Apriori algoritmasının amacı nedir?

A) Veri setini düzenlemek
B) Minimum destek eşiğini belirlemek
C) Sık öge kümelerini bulmak
D) Güven tabanlı kesmeyi uygulamak
E) Kuralları görselleştirmek

Cevap: C) Sık öge kümelerini bulmak

Açıklama: Apriori algoritması, sık öge kümelerini bulmayı amaçlar. Bu, birliktelik kurallarının çıkarılmasında kullanılan temel bir adımdır.

4- Bir birliktelik kuralının desteği nedir?

A) Bir kuralın ne sıklıkta uygulandığını
B) X’i içeren işlemlerde X ve Y ögelerinin ne sıklıkta göründüğünü
C) X ve Y ögelerini içeren işlemlerin ne sıklıkta göründüğünü
D) Bir öge setini içeren işlem sayısı
E) Veri setindeki işlem genişliği

Cevap: C) X ve Y ögelerini içeren işlemlerin ne sıklıkta göründüğünü

Açıklama: Bir kuralın desteği, kuralı içeren işlemlerin toplam işlem sayısına oranıdır ve kuralın ne kadar yaygın olduğunu gösterir.

5- Bir birliktelik kuralının güveni nedir?

A) Bir kuralın ne sıklıkta uygulandığını
B) X’i içeren işlemlerde X ve Y ögelerinin ne sıklıkta göründüğünü
C) X ve Y ögelerini içeren işlemlerin ne sıklıkta göründüğünü
D) Bir öge setini içeren işlem sayısı
E) Veri setindeki işlem genişliği

Cevap: B) X’i içeren işlemlerde X ve Y ögelerinin ne sıklıkta göründüğünü

Açıklama: Bir kuralın güveni, X’i içeren işlemlerde X ve Y’nin birlikte görülme olasılığını ölçer ve kuralın doğruluğunu gösterir.

6- Destek tabanlı kesme neden önemlidir?

A) Tüm kuralları eler
B) Güveni artırır
C) Alt küme oluşturur
D) Kural kümesini bulur
E) Sık öge kümesini bulur

Cevap: E) Sık öge kümesini bulur

Açıklama: Destek tabanlı kesme, sık öge kümelerinin bulunmasında önemlidir. Yalnızca belirli bir destek eşiğinin üzerinde olan öge kümeleri sık öge kümeleri olarak kabul edilir.

7- Güven tabanlı kesme stratejisi hangi durumu ele alır?

A) Tüm kuralları eler
B) Güveni artırır
C) Alt küme oluşturur
D) Kural kümesini bulur
E) Sık öge kümesini bulur

Cevap: D) Kural kümesini bulur

Açıklama: Güven tabanlı kesme stratejisi, belirli bir güven eşiğinin üzerinde olan kural kümesini bulmayı amaçlar.

8- Aday öge kümesi sayısını azaltma ve karşılaştırmaların sayısını azaltma işlemleri hangi amaç için yapılır?

A) Gereksiz kuralları kesmek
B) Yüksek güvenli kurallar oluşturmak
C) Alt küme oluşturmak
D) Kurallar oluşturmak
E) Sık öge kümelerini oluşturmak

Cevap: E) Sık öge kümelerini oluşturmak

Açıklama: Aday öge kümesi sayısını ve karşılaştırmaların sayısını azaltma işlemleri, sık öge kümelerinin daha verimli bir şekilde bulunmasını sağlar.

9- I = {a, b, c, d, e} kümesinde {b, d} ögelerinin seyrek öge kümesi olduğu durumda aşağıdakilerden hangisi sık öge kümesinde yer alır?

A) {a, b}
B) {a, d}
C) {a, b, c}
D) {b, c, d}
E) {b, c, e}

Cevap: B) {a, d}

Açıklama: {b, d} ögeleri seyrek öge kümesi olduğunda, {a, d} kümesi sık öge kümesinde yer alabilir, çünkü {b, d} ile ilgili herhangi bir kural oluşturulamaz.

10- I = {a, b, c, d, e} kümesinden oluşturulan {a, b} → {d} kuralı düşük güven oranlı bir kuralsa aşağıdaki kurallardan hangisi düşük oranlı bir kuraldır?

A) {b} → {c}
B) {a} → {b}
C) {d} → {b}
D) {c} → {e}
E) {b} → {e}

Cevap: A) {b} → {c}

Açıklama: {a, b} → {d} kuralı düşük güven oranlı bir kuralsa, benzer şekilde {b} → {c} kuralı da düşük güven oranlı bir kural olabilir, çünkü aynı veri setinde benzer düşük güvenli ilişkiler ortaya çıkabilir.