การเรียนรู้กฎของสมาคมคืออะไร?

การเรียนรู้กฎการเชื่อมโยงเป็นเทคนิคการเรียนรู้แบบไม่มีผู้ดูแลที่ทดสอบการพึ่งพาองค์ประกอบข้อมูลหนึ่งกับองค์ประกอบข้อมูลอื่นและออกแบบอย่างเหมาะสมเพื่อให้มีความคุ้มค่ามากขึ้น จะพยายามค้นหาความสัมพันธ์หรือความสัมพันธ์ที่น่าสนใจระหว่างตัวแปรของชุดข้อมูล ขึ้นอยู่กับกฎเกณฑ์ต่างๆ เพื่อค้นหาความสัมพันธ์ที่น่าสนใจระหว่างตัวแปรในฐานข้อมูล

การเรียนรู้กฎการเชื่อมโยงเป็นแนวทางที่สำคัญที่สุดของการเรียนรู้ด้วยเครื่อง และใช้ในการวิเคราะห์ตะกร้าตลาด การขุดการใช้เว็บ การผลิตอย่างต่อเนื่อง ฯลฯ ในการวิเคราะห์ตะกร้าตลาด เป็นวิธีการที่ผู้ค้าปลีกรายใหญ่หลายรายใช้เพื่อค้นหาความสัมพันธ์ระหว่าง รายการ

การทำเหมืองข้อมูลบนเว็บถือได้ว่าเป็นการนำวิธีการทำเหมืองข้อมูลมาปรับใช้กับอินเทอร์เน็ต แม้ว่าการทำเหมืองข้อมูลจะถูกกำหนดให้เป็นการใช้อัลกอริทึมเพื่อค้นหารูปแบบในข้อมูลที่มีโครงสร้างเป็นส่วนใหญ่ซึ่งได้รับการแก้ไขในกระบวนการค้นพบความรู้

การทำเหมืองเว็บมีคุณสมบัติที่โดดเด่นเพื่อรองรับการรวบรวมข้อมูลหลายประเภท เว็บมีหลายแง่มุมที่ให้แนวทางที่หลากหลายสำหรับกระบวนการขุด เช่น หน้าเว็บรวมถึงข้อความ หน้าเว็บเชื่อมต่อผ่านไฮเปอร์ลิงก์ และกิจกรรมของผู้ใช้สามารถตรวจสอบได้ผ่านบันทึกของเว็บเซิร์ฟเวอร์

ในการวิเคราะห์ตะกร้าสินค้าในตลาด พฤติกรรมการซื้อของลูกค้าจะได้รับการวิเคราะห์โดยการค้นหาความเชื่อมโยงระหว่างสินค้าต่างๆ ที่ลูกค้าใส่ในตะกร้าสินค้าของตน การค้นพบการเชื่อมโยงดังกล่าวทำให้ผู้ค้าปลีกสร้างวิธีการทางการตลาดโดยการวิเคราะห์ว่าผู้ใช้ซื้อองค์ประกอบใดบ้าง การเชื่อมโยงนี้สามารถนำไปสู่การเพิ่มยอดขายโดยการสนับสนุนให้ผู้ค้าปลีกทำการตลาดแบบเลือกสรรและวางแผนสำหรับพื้นที่ชั้นวางของตน

ประเภทของการเรียนรู้กฎของสมาคม

การเรียนรู้กฎสมาคมมีประเภทดังต่อไปนี้ -

อัลกอริทึม Apriori − อัลกอริธึมนี้ต้องการชุดข้อมูลบ่อยครั้งเพื่อสร้างกฎการเชื่อมโยง ได้รับการออกแบบมาเพื่อทำงานกับฐานข้อมูลที่มีธุรกรรม อัลกอริทึมนี้ต้องการการค้นหาแบบกว้างๆ และแผนผังแฮชเพื่อคำนวณชุดไอเท็มอย่างมีประสิทธิภาพ

โดยทั่วไปจะใช้สำหรับการวิเคราะห์ตะกร้าตลาดและสนับสนุนการเรียนรู้ผลิตภัณฑ์ที่สามารถซื้อร่วมกันได้ สามารถใช้ในด้านการดูแลสุขภาพเพื่อค้นหาปฏิกิริยาของยาสำหรับผู้ป่วย

อัลกอริทึม Eclat − อัลกอริทึม Eclat แสดงถึงการแปลงคลาส Equivalence Class อัลกอริธึมนี้ต้องการวิธีการค้นหาแบบเชิงลึกก่อนเพื่อค้นหาชุดรายการบ่อยครั้งในฐานข้อมูลธุรกรรม ดำเนินการได้เร็วกว่า Apriori Algorithm

อัลกอริทึมการเติบโตของ F-P − อัลกอริธึมการเติบโต F-P แสดงถึงรูปแบบที่บ่อย เป็นเวอร์ชันปรับปรุงของ Apriori Algorithm มันอธิบายฐานข้อมูลในรูปแบบของโครงสร้างต้นไม้ที่เรียกว่ารูปแบบหรือต้นไม้บ่อย ต้นไม้ที่ใช้บ่อยนี้มีจุดมุ่งหมายเพื่อแยกรูปแบบที่พบบ่อยที่สุด