Różnice między wybraną wersją a wersją aktualną.
| Both sides previous revision Poprzednia wersja Nowa wersja | Poprzednia wersja | ||
|
pl:dydaktyka:ml:2014lab4 [2014/04/01 17:40] esimon [Implementacja] |
pl:dydaktyka:ml:2014lab4 [2019/06/27 15:50] (aktualna) |
||
|---|---|---|---|
| Linia 10: | Linia 10: | ||
| |1000 | Jabłka, Seler, Pieluchy | | |1000 | Jabłka, Seler, Pieluchy | | ||
| |2000 | Piwo, Seler, Jajka | | |2000 | Piwo, Seler, Jajka | | ||
| - | |3000 | Jabłka, Piwo, Seler, Piwo | | + | |3000 | Jabłka, Jajka, Seler, Piwo | |
| |4000 | Piwo, Jajka | | |4000 | Piwo, Jajka | | ||
| Linia 38: | Linia 38: | ||
| **Pytanie** Jaki jest //support// dla reguły poniżej? <code> if Jabłka then Seler </code> | **Pytanie** Jaki jest //support// dla reguły poniżej? <code> if Jabłka then Seler </code> | ||
| ===Confidence=== | ===Confidence=== | ||
| - | Wskaźnik ten określa siłę implikacji w regule. Innymi słowy jest on definiowany jako stosunek ilości transakcji zawierających elementy wchodzące w skład reguły do wszystkich transakcji zawierających elementy z części warunkowej reguły. | + | Wskaźnik ten określa siłę implikacji w regule. Innymi słowy jest on definiowany jako stosunek ilości transakcji zawierających wszystkie elementy wchodzące w skład reguły do transakcji zawierających elementy z części warunkowej reguły. |
| Dla przykładu z tabeli powyżej, //confidence// reguły <code>If Piwo then Jajka </code> jest równy $\frac{3}{3}=100\%$, ponieważ 3 transakcje zawierają Piwo i Jajka, natomiast ilość transakcji zawierających elementy z części warunkowej tej reguły (czyli w tym wypadku Piwo) jest także równa 3. | Dla przykładu z tabeli powyżej, //confidence// reguły <code>If Piwo then Jajka </code> jest równy $\frac{3}{3}=100\%$, ponieważ 3 transakcje zawierają Piwo i Jajka, natomiast ilość transakcji zawierających elementy z części warunkowej tej reguły (czyli w tym wypadku Piwo) jest także równa 3. | ||
| Linia 48: | Linia 48: | ||
| </code> | </code> | ||
| ===== Frequent Itemsets ===== | ===== Frequent Itemsets ===== | ||
| - | Patrząc na przykłady powyżej odnalezienie dobrych reguł asocjacyjnych sprowadza się tak naprawdę do dwóch kroków | + | Patrząc na przykłady powyżej odnalezienie dobrych reguł asocjacyjnych sprowadza się tak naprawdę do wykonania dwóch kroków |
| * wyszukania zbiorów elementów które mają //support// większy lub równy jakiemuś zadanemu //supportowi progowemu// - są tak zwanymi zbiorami częstymi (//frequent itemsets//) | * wyszukania zbiorów elementów które mają //support// większy lub równy jakiemuś zadanemu //supportowi progowemu// - są tak zwanymi zbiorami częstymi (//frequent itemsets//) | ||
| * wybrania spośród nich tych konfiguracji, których //confidence// przekracza jakiś zadany //confidence progowy//. | * wybrania spośród nich tych konfiguracji, których //confidence// przekracza jakiś zadany //confidence progowy//. | ||
| Linia 67: | Linia 67: | ||
| - znajdź pośród wygenerowanych //1-zbiorów//, //częste 1-zbiory// (//frequent 1-itemsets// $L_1$) - czyli takie, których support jest $\geq \epsilon$ | - znajdź pośród wygenerowanych //1-zbiorów//, //częste 1-zbiory// (//frequent 1-itemsets// $L_1$) - czyli takie, których support jest $\geq \epsilon$ | ||
| - bazując na $L_1$ wygeneruj //2-zbiory// (//2-itemsets//) | - bazując na $L_1$ wygeneruj //2-zbiory// (//2-itemsets//) | ||
| - | - znajdź pośród wygenerowanych //2-zbiorów// częste //2-zbiory// $L_2$ | + | - znajdź pośród wygenerowanych //2-zbiorów//, //częste 2-zbiory// $L_2$ |
| - Powtarzaj proces, do momentu aż ostatni wygenerowany zbiór $L_{k-1}=\o$ | - Powtarzaj proces, do momentu aż ostatni wygenerowany zbiór $L_{k-1}=\o$ | ||
| Linia 84: | Linia 84: | ||
| ==== Implementacja ==== | ==== Implementacja ==== | ||
| - | - Pobierz plik {{}} i przyjrzyj się funkcją które zostały zaimplementowane. | + | - Pobierz plik {{:pl:dydaktyka:ml:apriori.m.zip|}} i przyjrzyj się funkcjom które zostały w nim zaimplementowane. |
| - Bazując na algorytmie powyżej, zaimplementuj nową funkcję o nagłówku poniżej: <code>function FrequentKitemsets = apriori(OneItemsets, Transactions)</code> | - Bazując na algorytmie powyżej, zaimplementuj nową funkcję o nagłówku poniżej: <code>function FrequentKitemsets = apriori(OneItemsets, Transactions)</code> | ||
| - | - Wyznacz reguły które mają $confidence \geq 60\%$. | + | - Wyznacz reguły które mają $confidence \geq 60\%$ i $support \geq 50\%$ |
| - | - Dla ułatwienia, poniżej znajduje się rysunek pokazujący jak powinien działać algorytm (**Uwaga** na rysunku przedstawiane są nie wszystkie //k-zbiory częste//). | + | - Dla ułatwienia, poniżej znajduje się rysunek pokazujący jak powinien działać algorytm (**Uwaga** na rysunku nie są przedstawiane wszystkie //k-zbiory częste//). |
| + | - **Uwaga** Algorytm przedstawiony na rysunku poniżej zawiera pewną optymalizację polegająca na obserwacji, że zbiór 3-elementowy nie może być częsty jeśli zawiera w sobie zbiór dwuelementowy, który nie jest częsty. | ||
| {{:pl:dydaktyka:ml:apriori.png?500|}} | {{:pl:dydaktyka:ml:apriori.png?500|}} | ||
| Linia 93: | Linia 94: | ||
| ===== Weka ===== | ===== Weka ===== | ||
| + | - Na podstawie wiedzy zdobytej na poprzednim laboratorium przygotuj plik //arff// dla weki, opisujący dane z tabeli z początku strony. Jak powinien wyglądać plik? Spróbuj pomóc sobie patrząc na plik //shopping.arff// ze zbioru danych: {{:pl:dydaktyka:ml:data.tar.gz|}} | ||
| + | - Po wczytaniu pliku do weki, przejdź do zakładki //Associate// i uruchom algorytm z domyślnymi parametrami. Jakie wyniki otrzymałeś(aś)? Dlaczego? | ||
| + | - Wczytaj plik //shopping.arff// i przeprowadź na nim wyszukiwanie reguł asocjacyjnych. Pobaw się parametrami algorytmu | ||
