Web Analitiği Ve Zekâsı Ünite -8

Birliktelik Kurallarının Temel Kavramları

Birliktelik kurallarını anlamak için aşağıdaki temel kavramlar kullanılır:

• Destek (Support): Bir öğe kombinasyonunun, veri setindeki toplam işlemler içinde ne sıklıkla geçtiğini gösterir.
  • Örnek: Eğer “Ekmek ve Peynir” kombinasyonu %20 oranında bulunuyorsa, destek değeri 0.20 olur.
• Güven (Confidence): Sol taraftaki öğelerin (öncül) gerçekleştiğinde, sağ taraftaki öğelerin (sonuç) gerçekleşme olasılığını ifade eder.
  • Örnek: “Ekmek satın alanların %50’si peynir de satın alıyor” gibi bir çıkarım yapılabilir.
• Kaldıraç (Lift): İki öğenin birlikte görülme olasılığının, rastgele görülme olasılığına oranını gösterir.
  • Lift > 1: Öğeler arasında pozitif ilişki vardır.
  • Lift = 1: Öğeler bağımsızdır.
  • Lift < 1: Öğeler negatif ilişkiye sahiptir.

Apriori Algoritması ve Çalışma Prensibi

Apriori algoritması, birliktelik kuralları madenciliğinde en yaygın kullanılan yöntemlerden biridir. “Sık öğe kümelerinin alt kümeleri de sıktır” prensibiyle çalışır. Adımları:

1. Destek değeri yüksek olan öğe kümeleri belirlenir.
2. Daha büyük öğe kümeleri oluşturulur.
3. Önemsiz olan kurallar elenir.
4. En güvenilir kurallar oluşturulur.

R’da Apriori Algoritması Kullanımı

Aşağıdaki R kodu, apriori() fonksiyonunu kullanarak birliktelik kurallarını oluşturur:

library(arules)
veri <- read.transactions("alisveris_verisi.csv", sep=",", format="basket")
kural_seti <- apriori(veri, parameter=list(supp=0.08, conf=0.3, minlen=2, target="rules"))
inspect(kural_seti)

• support = 0.08: En az %8 destek değerine sahip kurallar oluşturulur.
• confidence = 0.3: Güven değeri %30’dan büyük olan kurallar belirlenir.
• minlen = 2: En az iki öğe içeren kurallar üretilir.

Kuralların Değerlendirilmesi

Birliktelik kuralları, güvenilirlik ve anlamlılık açısından değerlendirilmelidir. Örneğin, aşağıdaki kural analiz edilmiştir:

inspect(subset(kural_seti, lift > 1.2 & confidence > 0.5))

Bu komut, lift > 1.2 ve confidence > 0.5 olan kuralları filtreler. Böylece, anlamlı ve yüksek güvenilirliğe sahip kurallar seçilir.

Kaldıraç (Lift) Değerinin Yorumu

Kaldıraç (Lift), öğeler arasındaki bağımlılığı şu şekilde ölçer:

Lift = Confidence(A → B) / Support(B)

• Lift > 1: A ve B güçlü ilişkiye sahiptir.
• Lift = 1: A ve B rastgele ilişkilidir.
• Lift < 1: A ve B negatif ilişkiye sahiptir.

Örnek:

• “Kahve → Şeker” kuralı için Lift = 1.5 ise, bu ürünlerin birlikte satılma olasılığı rastgele bir alışverişe göre %50 daha fazladır.

Kuralların Görselleştirilmesi

Birliktelik kurallarını daha iyi anlamak için görselleştirme teknikleri kullanılabilir:

library(arulesViz)
plot(kural_seti, method="graph", interactive=TRUE)

Bu komut, kurallar arasındaki ilişkileri grafiksel olarak gösterir.

Sonuç

Birliktelik kuralları madenciliği, kullanıcı davranışlarını anlamak ve satın alma ilişkilerini keşfetmek için güçlü bir yöntemdir. Apriori algoritması ve birliktelik kurallarının kullanımı sayesinde:

• Müşteri segmentasyonu daha iyi yapılabilir.
• Kişiselleştirilmiş öneri sistemleri oluşturulabilir.
• Pazarlama stratejileri optimize edilebilir.

Doğru analizler yapıldığında, kullanıcı deneyimi geliştirilebilir ve satışlar artırılabilir.

1- Birliktelik kuralları madenciliğinde destek (support) hangi anlamı taşır?

A) Bir kuralın sol tarafının (LHS) ne kadar sıklıkla ortaya çıktığını ifade eder.
B) Bir kuralın sağ tarafının (RHS) ne kadar sıklıkla ortaya çıktığını ifade eder.
C) Bir kuralın güven oranını ifade eder.
D) Bir kuralın kaldıraç oranını ifade eder.
E) Bir kuralın veri setindeki işlemlerde ne kadar sıklıkla birlikte göründüğünü ifade eder.

Cevap: E) Bir kuralın veri setindeki işlemlerde ne kadar sıklıkla birlikte göründüğünü ifade eder.

Açıklama : Destek (support), bir kuralın veri setindeki işlemlerde ne kadar sıklıkla birlikte göründüğünü ifade eder.
Birliktelik kuralları madenciliğinde destek (support), bir ürün kombinasyonunun tüm işlemler içindeki yüzdesini ifade eder.
Örnek:
Eğer bir süpermarketin satış verilerinde “Ekmek ve Peynir” kombinasyonu %20 oranında geçiyorsa, destek değeri 0.20 olur.
Yüksek destek değeri, ilgili öğe kombinasyonunun yaygın olarak birlikte satın alındığını gösterir.

2- Apriori algoritmasının ana çalışma prensibi nedir?

A) Sık olmayan öğe kümelerinden sık olanları üretmek.
B) Veritabanındaki rastgele kuralları test etmek.
C) Bir kuralın kaldıracını maksimize etmek.
D) Sık öğe kümelerinin alt kümelerinin de sık olduğunu varsaymak.
E) Verileri tamamen rastgele böler ve kurallar oluşturur.

Cevap: D) Sık öğe kümelerinin alt kümelerinin de sık olduğunu varsaymak.

Açıklama : Apriori algoritması, sık öğe kümelerinin alt kümelerinin de sık olduğunu varsayar.

Önemli Prensip: Eğer bir öğe kümesi sık (support değeri yüksek) ise, onun tüm alt kümeleri de sık kabul edilir.
Bu ilkeye “Apriori Özelliği” denir ve algoritmanın temelini oluşturur.
Bu prensip sayesinde, sık olmayan öğeler erken elenerek işlem yükü azaltılır.

3- Aşağıdaki kod bloğu hangi işlemi gerçekleştirir?

veriSeti <- as(strsplit(veri$islemler, ","), "transactions")
A) Veri setini sepet analizi için işlem formuna dönüştürür.
B) veri$islemler ile verilen veriyi faktöre (factor) dönüştürür.
C) Veri setindeki eksik değerleri temizler.
D) Sütunların birleşik metin haline gelmesini sağlar.
E) Kuralların oluşturulmasını otomatikleştirir.

Cevap: A) Veri setini sepet analizi için işlem formuna dönüştürür.

Açıklama : Kod bloğu, veri setini sepet analizi için işlem formuna dönüştürür.

as(strsplit(veri$islemler, “,”) , “transactions”) kodu, bir işlem listesini transaction (işlem) formatına çevirir.
Sepet analizi (Market Basket Analysis) gibi işlemlerde, veriler işlem bazında gruplanarak analiz edilir.
Örneğin, müşteri işlemleri şu şekilde olabilir:
1. Süt, Ekmek, Peynir
2. Süt, Yumurta
3. Ekmek, Çay, Şeker
Bu veri, yukarıdaki dönüşüm sayesinde Apriori algoritması ile analiz edilebilir hale gelir.

4- Kaldıraç oranı (lift) aşağıdaki formüllerden hangisiyle hesaplanır?

A) destek(A ∪ B)/destek(A)
B) güven(A → B)/destek(B)
C) destek(A) x destek(B)
D) destek(B)/destek(A)
E) güven(A → B) x güven(B → A)

Cevap: B) güven(A → B)/destek(B)

Açıklama : Kaldıraç oranı (lift), güven oranının sağ tarafın destek değerine bölünmesiyle hesaplanır.

Lift = Güven(A → B) / Destek(B)
Lift değeri:
1’den büyükse, A ve B arasında güçlü bir ilişki vardır (yani birlikte satılma olasılığı yüksektir).
1 ise, A ve B bağımsızdır, yani ilişkileri rastgele olabilir.
1’den küçükse, A ve B arasında negatif bir ilişki olabilir (birlikte görülme olasılığı düşük)

5- Aşağıda verilen R kodunun kullanılma amacı nedir?

apriori(veri, parameter = list(supp = 0.08, conf = 0.3, minlen = 2, target = "rules"))
A) İşlem veri setinden ilişki kuralları oluşturur.
B) Veri setindeki eksik değerleri kaldırır.
C) Destek değerlerini görselleştirir.
D) Veri setindeki öğe frekanslarını bulur.
E) Apriori algoritmasıyla birden fazla veri setini birleştirir.

Cevap: A) İşlem veri setinden ilişki kuralları oluşturur.

Açıklama : Verilen Apriori algoritması kodu, işlem veri setinden ilişki kuralları oluşturur.

apriori() fonksiyonu, birliktelik kuralları çıkarmak için kullanılır.
Kod Açıklaması:
apriori(veri, parameter = list(supp = 0.08, conf = 0.3, minlen = 2, target = “rules”))
supp = 0.08 → Destek değeri %8’in üzerinde olan kurallar oluşturulur.
conf = 0.3 → Güven değeri en az %30 olan kurallar seçilir.
minlen = 2 → En az 2 öğeli kurallar üretilir.
target = “rules” → Çıktının birliktelik kuralları olarak alınmasını sağlar

6- Bir kuralın güven değeri (confidence) neyi ifade eder?

A) Bir kuralın sağ tarafının (RHS) destek değerini ifade eder.
B) Bir kuralın kaldıraç oranını (lift) ifade eder.
C) Kuralın sol tarafı gerçekleştiğinde sağ tarafının gerçekleşme olasılığını ifade eder.
D) Veritabanındaki sık öğe kümelerinin sıklığını ifade eder.
E) Kuralın destek değerinin ikiye katlanmasını ifade eder.

Cevap: C) Kuralın sol tarafı gerçekleştiğinde sağ tarafının gerçekleşme olasılığını ifade eder.

Açıklama : Bir kuralın güven değeri (confidence), sol tarafı gerçekleştiğinde sağ tarafının gerçekleşme olasılığını ifade eder.
Güven (confidence) şu şekilde hesaplanır:
Confidence (A → B) = Destek (A ve B) / Destek (A)
Örnek:
Eğer “Süt ve Ekmek” birlikte %10 oranında satılıyorsa ve “Süt” %20 oranında satılıyorsa,
Confidence (Süt → Ekmek) = 0.10 / 0.20 = 0.50 yani %50’dir.
Yüksek güven değeri, A görüldüğünde B’nin de görülme olasılığının yüksek olduğunu gösterir.

7- Aşağıdaki kurallardan hangisi kaldıracının (lift) 1’den büyük olduğu anlamına gelir?

A) P(A∪ B) = P(A) x P(B)
B) P(B | A) = P(B)
C) P(A∪ B) > P(A) x P(B)
D) P(A ∪ B) < P(A)⋅P(B)
E) P(B | A) < P(B)

Cevap: C) P(A∪ B) > P(A) x P(B)

Açıklama : Kaldıraç oranının (lift) 1’den büyük olduğu durum, P(A∪ B) > P(A) x P(B) koşulunun sağlandığı durumdur.

Eğer iki olayın (A ve B) birlikte gerçekleşme olasılığı, ayrı ayrı gerçekleşme olasılıklarının çarpımından büyükse, bu durumda A ve B arasında pozitif bir ilişki vardır.
Örnek:
Ekmek ve Peynir birlikte görülme olasılığı = 0.15
Ekmek satın alma olasılığı = 0.30
Peynir satın alma olasılığı = 0.40
Eğer 0.15 > (0.30 * 0.40) = 0.12 ise, bu durumda lift değeri > 1 olur.

8- Aşağıda verilen R kodu verilen seçeneklerden hangisi için kullanılmıştır?

veri <- as.data.frame(veri[!grepl("[a-z]", veri$islemler), ])
A) Eksik veri değerlerini NA ile doldurur.
B) Birliktelik kuralları için destek ve güven hesaplar.
C) Veri setindeki eksik değer içeren satırları kaldırır.
D) Tüm satırları faktör (factor) veri türüne dönüştürür.
E) Küçük harf içeren satırları filtreler ve çıkarır.

Cevap: E) Küçük harf içeren satırları filtreler ve çıkarır.

Açıklama : Verilen R kodu, küçük harf içeren satırları filtreler ve çıkarır.
Kod Açıklaması:
veri <- as.data.frame(veri[!grepl(“[a-z]”, veri$islemler), ])
grepl(“[a-z]”, veri$islemler) → Küçük harf içeren satırları tespit eder.
!grepl(“[a-z]”, veri$islemler) → Küçük harf içermeyenleri seçer.
veri[… , ] → Seçilen satırları içeren yeni veri çerçevesini oluşturur.
Bu yöntem, veri temizleme (data cleaning) işlemlerinde kullanılır.

9- Aşağıdaki hangi ifade, Apriori algoritmasının bir özelliği değildir?

A) Bir öğe kümesinin alt kümelerinden biri sık değilse, o öğe kümesi de sık değildir.
B) Rastgele öğe kümeleri üzerinde iteratif analiz yapılır.
C) Her adımda yalnızca sık öğe kümeleri üzerinde işlem yapılır.
D) Minimum destek ve güven eşik değerleri belirlenir.
E) Algoritma her adımda veri setini bir kez tarar.

Cevap: B) Rastgele öğe kümeleri üzerinde iteratif analiz yapılır.

Açıklama : Apriori algoritması rastgele öğe kümeleri üzerinde iteratif analiz yapmaz.
Apriori’nin temel ilkesi şudur:
Bir öğe kümesi sık değilse, onun süper kümeleri de sık değildir.
Yanlış olan seçenek:
“Rastgele öğe kümeleri üzerinde iteratif analiz yapılır” ifadesi yanlıştır çünkü Apriori algoritması belirli kurallar çerçevesinde ilerler, rastgele seçim yapmaz.

10- Hangi durumda bir kuralın güven değeri simetrik olur?

A) A → B ve B → A kuralları aynı kaldıraç oranına sahipse.
B) Kaldıraç oranı 1 olduğunda.
C) A ve B birbirinden bağımsız ise.
D) A ve B aynı destek değerine sahipse.
E) Her iki kuralın aynı güven aralığında olması durumunda.

Cevap: D) A ve B aynı destek değerine sahipse.

Açıklama : A ve B aynı destek değerine sahipse, güven değeri simetrik olur.
Güvenin simetrik olması,
P(A → B) = P(B → A)
koşulunun sağlanmasıyla mümkündür.
Bu durum, A ve B’nin veri setinde eşit oranlarda görülmesiyle gerçekleşir.
Örnek:
“Ekmek ve Peynir” %30 oranında birlikte satılıyorsa,
“Ekmek” ve “Peynir” bireysel olarak da %30 oranında satılıyorsa,
Bu durumda güven (confidence) simetrik olur.