Вступ до аналізу асоціативних правил. Звіт до лабораторної роботи з Методи і системи штучного інтелекту. Робота № 530729

Перехід до торгівельного партнера Binance

Вступ до аналізу асоціативних правил

Інформація про навчальний заклад

ВУЗ:

Національний університет Львівська політехніка

Інститут:

Не вказано

Факультет:

КН

Кафедра:

Автоматизовані Системи Управління

Інформація про роботу

Рік:

2018

Тип роботи:

Звіт до лабораторної роботи

Предмет:

Методи і системи штучного інтелекту

Завантажити

Частина тексту файла (без зображень, графіків і формул):

Міністерство освіти і науки Національний університет “Львівська політехніка” Кафедра “Автоматизовані системи управління” Звіт до лабораторної роботи № 3 з дисципліни «Методи та системи штучного інтелекту» на тему «Вступ до аналізу асоціативних правил» Короткі теоретичні відомості Останнім часом задачі пошуку нових знань у великих базах сирих даних стають все більш популярними та актуальними. Одним із популярних методів виявлення знань став алгоритм пошуку так званих асоціативних правил (Association Rules). Суть задачі полягає в знаходження наборів об’єктів, які зустрічаються найчастіше серед всієї множини ймовірних наборів об’єктів. Першим застосуванням такої задачі був аналіз тенденцій в поведінці покупців у супермаркетах. При цьому аналізувались дані про всі здійснені покупки, які кожен покупець кладе у свій кошик, та одержувалась інформація про те, які товари переважно купуються разом, в якій послідовності, якими категоріями покупців, в які періоди часу, тощо. Такого роду знання дозволяють ефективно планувати закупку товарів у магазин, розробляти ефективні рекламні кампанії та розкладати товар таким чином, щоб провокувати покупців на різноманітні покупки. Наприклад, з набору товарів, які купуються в магазинах, можна виділити такі набори товарів, що переважно купуються одночасно: {чіпси, пиво}; {вода, горіхи}; {чай, печиво}; Тощо. Таким чином, можна зробити висновок про те, що якщо купуються чіпси чи горіхи, то, як правило, купуються, пиво чи вода, відповідно. Отже, можна розмістити ці товари поруч на прилавках, об’єднати їх в один пакет зі знижкою чи здійснити інші дії. Задача пошуку асоціативних правил є актуальною не лише у сфері торгівлі. Наприклад, в сефрі обслуговування цікавою є інформація про те, якими послугами клієнти користуються в сукупності. Для одержання цієї інформації вирішується задача аналізу даних про послуги, якими користується один клієн протягом певного часу. Це допомагає визначити, наприклад, як найбільш вигідно сформувати пакети послуг для клієнтів. В медицині аналізуватись можуть симптоми та хвороби пацієнтів. В цьому випадку знання про те, які поєднання хворів та симптомів зустрічаються найчастіше, дозволяють в майбутньому ставити правильні діагнози. Визначення Щоб дати означення асоціативного правила, будемо вважати, що існує база даних, якій містяться записи про всі здійснені покупки в супермаркеті. Кожен запис називається транзакцією і включає дані про набір товарів, куплених одним покупецем за один візит. Таку транзакцію ще називаю ринковим кошиком. Нехай / – це вся множина товарів з супермаркету, що називаються елементами. Приклад: Ідентифікатор Найменування товару Ціна 0 Шоколад 30.00 1 Чіпси 12.00 2 Кокоси 10.00 3 Вода 4.00 4 Пиво 14.00 5 Горіхи 15.00 Тобто вся множина елементів (їх загальна кількість рівна / ) / буде: /. Кожна транзакція / описується як: /. Приклади транзакцій: / / Набір усіх відомих транзакцій (загальна їх кількість нехай рівна /) позначаємо як /: /. Нехай для нашого прикладу: / Тоді множину / можемо представити у вигляді: № транзакції Ідентифікатор товару Найменування товару Ціна 0 1 Чіпси 12.00 0 3 Вода 4.00 0 4 Пиво 14.00 1 2 Кокоси 10.00 1 3 Вода 4.00 1 5 Горіхи 15.00 2 5 Горіхи 15.00 2 2 Кокоси 10.00 2 1 Чіпси 12.00 2 2 Кокоси 10.00 2 3 Вода 4.00 3 2 Кокоси 10.00 3 5 Горіхи 15.00 3 2 Кокоси 10.00 Множину транзакцій, в яку входить об’єкт / позначимо як: /. Наприклад, множина транзакцій, в які входить елемент «вода»: /Деякий довільний набір елементів позначимо так: /. Набір, що складається з / об’єктів називається /-елементним набором. Приклад 2-елементного набору: /. Множину транзакцій, в яку входить набір /, позначимо /: /. В даному прикладі: /. Відношення кількості транзакцій, в які входить /, до загальної кількості транзакцій називається підтримкою (support) набору / та позначається /: /. Можна підтримку рахувати у відсотках (тоді треба помножити на 100%). Для набору / підтримка рівна 0.5 або 50%, так як цей набір входить у дві транзакції (з номерами 1 та 2), а всього транзакцій є 4. При пошуку аналітик може вказати мінімальне значення підтримки для наборів, що його цікавлять – /. Набір називається частим, якщо значення його підтримки є більшим за вказане мінімальне значення, задане користувачем: /. Таким чином, при пошуку асоціативних правил необхідно знайти множину всіх частих наборів: /. В даному прикладі частими наборами при / є такі: / З іншого боку, важливо не лише знайти часті набори, але виявити правила «якщо....., то...». Наприклад, в даному прикладі можна досліджувати, наскільки правдивим є правило: якщо «кокоси», то «вода». Тобто важливо не просто знати. Що ці ва елементи часто знаходяться в одному наборі, але й вміти прогнозувати, що при покупці «кокосів» ймовірно буде покупка «води» або навпаки. Розіб’ємо наш досліджуваний наборі на два піднабори: / та /. Наприклад, набір /будемо розглядати як: / та /, тобто /. Тоді асоціативним правилом можна назвати імплікацію: /, де /. Правило / має підтримку: /, / тобто / – це відсоток зі всіх транзакцій /, що містять і набір /, і набір / (тобто містять набір /). / Бо, як було вже згадано вище, з чотирьох транзакцій дві містять і «Кокоси» і «Воду». Достовірністю правила називається ймовірність того, що саме з / випливає /. Правило / має достовірність (confidence): /, що показує, який відсоток з усіх транзакцій /, що містить /, також містить і /./. Отже, підтримка правила / рівна 50% (50% зі всіх транзакцій містять і «Кокоси», і «Воду»), а достовірність цього правила рівна 66.7% (66.7% зі всіх транзакцій, що містять «Кокоси», також містять і «Воду»). Іншими словами, метою аналізу є встановлення наступних залежностей: якщо в транзакції зустрівся деякий набір елементів /, то на підставі цього можна зробити висновок про те, що інший набір елементів / також повинен з'явитися в цій транзакції. Алгоритми пошуку асоціативних правил призначені для знаходження всіх правил /, причому підтримка і достовірність цих правил повинні бути вищими за деякі наперед задані пороги, що називаються відповідно мінімальною підтримкою (/) та мінімальною достовірністю (/). Завдання до лабораторної роботи Ознайомитись з теоретичними вказівками. Запустити Deductor та ознайомитись із його основними можливостями. Відкрити тестовий приклад сценарію та проаналізувати готову гілку з асоціативнмии правилами. Проаналізувати отримані результати. Уважно вивчити методику формування асоціативних правил. Використовуючи один із готових файлів даних, пройти всі необхідні кроки для одержання асоціативних правил. Сформувати власні дані, вибравши довільну тему. Пройти всі кроки на нових даних, приділивши більшу увагу налаштуванню параметрів визначення асоціацій. Проаналізувати отримані результати і зробити висновок. Підготувати звіт до лабораторної роботи з власними даними (скріншоти, результати). Виконання роботи: Запустив програмний пакет Deductor та ознайомився із його основними можливостями. Відкрив тестовий приклад сценарію та проаналізував готову гілку з асоціативними правилами. Ознайомився з методикою формування асоціативних правил. Використовуючи готовий файл даних, пройшов всі необхідні кроки для одержання асоціативних правил. Для цього необхідно завантажити Майстер обробки. Сформував власні дані та тему: список «Які серіали ви дивилися?» Номер учасника Країни 160698 США 160698 Україна 160698 Шотландія 160747 Україна 160747 Австралія 160747 Шотландія 161217 США 161217 Україна 161217 Бразилія 161243 США 161243 Україна 161243 Бразилія 161354 США 161354 Україна 161354 Шотландія 161833 Україна 161833 Австралія 161833 Шотландія 162185 США 162185 Україна 162185 Шотландія 162579 Бразилія 162579 Австралія 162579 Шотландія 162661 Мексика 162661 Бразилія 162661 Шотландія 162718 США 162718 Україна 162718 Бразилія 162788 Мексика 162788 США 162788 Шотландія 162915 Мексика 162915 Японія 162915 Шотландія 163029 США 163029 Австралія 163029 Шотландія 163261 США 163261 Україна 163261 Бразилія 163331 Шотландія 163331 Австралія 163331 Бразилія 163439 Австралія 163439 Японія 163439 Шотландія 164014 США 164014 Україна 164014 Шотландія 164078 США 164078 Україна 164078 Шотландія 164079 Мексика 164079 Японія 164079 Шотландія 164110 США 164110 Бразилія 164110 Шотландія 164200 США 164200 Україна 164200 Бразилія 164453 Мексика 164453 Австралія 164453 Шотландія 165325 Мексика 165325 Японія 165325 Шотландія 165417 Мексика 165417 Україна 165417 Японія 165698 США 165698 Україна 165698 Австралія 166110 Японія 166110 Австралія 166110 Шотландія 166881 США 166881 Україна 166881 Австралія 166966 США 166966 Україна 166966 Бразилія 167022 США 167022 Україна 167022 Австралія 167381 США 167381 Україна 167381 Австралія 167514 Мексика 167514 Шотландія 167514 Японія 160227 США 160227 Україна 160227 Австралія 160227 Шотландія 160487 США 160487 Україна 160487 Австралія 160487 Шотландія 163213 США 163213 Україна 163213 Бразилія 163213 Шотландія 163346 Шотландія 163346 Україна 163346 Японія 163346 Бразилія 163741 Мексика 163741 Японія 163741 Бразилія 163741 Шотландія 164085 Австралія 164085 Японія 164085 Бразилія 164085 Шотландія 164418 Мексика 164418 Австралія 164418 Бразилія 164418 Шотландія 166691 Мексика 166691 Австралія 166691 Японія 166691 Шотландія 167414 Шотландія 167414 Мексика 167414 Австралія 167414 Японія 161872 США 161872 Україна 161872 Австралія 161872 Бразилія 161872 Шотландія 165165 Мексика 165165 Австралія 165165 Японія 165165 Бразилія 165165 Шотландія 166474 США 166474 Україна 166474 Австралія 166474 Бразилія 166474 Шотландія 167465 Мексика 167465 Бразилія 167465 Австралія 167465 Японія 167465 Шотландія 6. Пройшов всі кроки для імпорту нових даних. Після цього отримав таку таблицю даних: / 7.Вмикаю майстер обробки. Налагоджую його (мінімальна достовірність 60%, максимальна – 100%, мінімальна підтримка 1%, максимальна – 90%), та в результаті отримую такі табллиці: / / Таблиця асоціативних правил / Таблиця популярних множин / Таблиця дерев правил / Правила «що-якщо» Висновок: під час виконання даної лабораторної роботи я ознайомився з алгоритмом пошуку асоціативних правил (Association Rules). Можна зробити висновок, що серед переглянутих серіалів найчастіше люди дивилися «Шерлок», так як ще дивилися «Гру престолів», то з достовірністю 83.3% дивлися і «Друзі»

Звіт до лабораторної роботи Методи і системи штучного інтелекту

dumanskiy123

01.12.2018 15:12-

Коментарі

Ви не можете залишити коментар. Для цього, будь ласка, або зареєструйтесь.

Ділись своїми роботами та отримуй миттєві бонуси!

Маєш корисні навчальні матеріали, які припадають пилом на твоєму комп'ютері? Розрахункові, лабораторні, практичні чи контрольні роботи — завантажуй їх прямо зараз і одразу отримуй бали на свій рахунок! Заархівуй всі файли в один .zip (до 100 МБ) або завантажуй кожен файл окремо. Внесок у спільноту – це легкий спосіб допомогти іншим та отримати додаткові можливості на сайті. Твої старі роботи можуть приносити тобі нові нагороди!

поділитись