선험적 알고리즘: 어떻게 작동합니까? 브랜드는 선험적 알고리즘을 어떻게 활용할 수 있습니까?

당신이 슈퍼마켓에 있고 마음 속에 사고 싶은 품목이 있다고 상상해 보십시오. 그러나 당신은 당신이 생각했던 것보다 훨씬 더 많은 것을 사게 됩니다. 이것을 충동 구매라고 하며 브랜드는 이 현상을 활용하기 위해 선험적 알고리즘 을 사용합니다. 데이터 과학 알고리즘에 대해 자세히 알아보려면 클릭하여 자세히 알아보세요.

이 알고리즘은 무엇입니까? 어떻게 작동합니까? 이 기사에서 이러한 질문에 대한 답을 찾을 수 있습니다. 먼저 이 알고리즘이 무엇인지 살펴본 다음 작동 방식을 살펴보겠습니다.

의 시작하자.

선험적 알고리즘이란 무엇입니까?

선험적 알고리즘은 빈번한 항목 집합을 제공합니다. 그것의 기초는 우리가 다음과 같은 방식으로 설명할 수 있는 선험적 속성입니다:

당신이 가지고 있는 아이템 세트가 필요한 지지 값보다 작은 지지 값을 가지고 있다고 가정합니다. 그러면 이 항목 집합의 하위 집합도 필요한 것보다 적은 지원 가치를 갖게 됩니다. 따라서 계산에 포함하지 않으므로 많은 공간을 절약할 수 있습니다.

지원 가치는 거래에서 특정 항목 집합이 나타나는 횟수를 나타냅니다. apriori 알고리즘은 추천 시스템에 적용하기 때문에 꽤 유명합니다. 일반적으로 이 알고리즘을 트랜잭션 데이터베이스, 즉 트랜잭션 데이터베이스에 적용합니다. 이 알고리즘의 실제 응용 프로그램도 많이 있습니다. 또한 선험적 알고리즘을 올바르게 이해하려면 연관 규칙 마이닝 에 익숙해져야 합니다.

읽어보기: 데이터 과학의 전제 조건. 시간이 지남에 따라 어떻게 변합니까?

선험적 알고리즘은 어떻게 작동합니까?

선험적 알고리즘은 빈번한 항목 집합을 사용하여 연관 규칙을 생성합니다. 그 원리는 간단합니다. 빈번한 항목 집합의 하위 집합도 빈번한 항목 집합이 됩니다. 임계값보다 큰 지원 값을 갖는 항목 집합은 빈번한 항목 집합입니다. 다음 데이터를 고려하십시오.

첫 번째 반복에서 지원 값이 2이고 크기가 1인 항목 집합을 만든다고 가정합니다. 이제 그에 따라 지원 값을 계산합니다. 지원 가치가 최소값보다 낮은 항목을 버립니다. 이 예에서는 항목 번호 4가 됩니다.

C1(첫 번째 반복의 결과)

F1({4}을 버린 후)

두 번째 반복에서는 항목 집합의 크기를 2로 유지한 다음 지원 값을 계산합니다. 이 반복에서 테이블 F1의 모든 조합을 사용할 것입니다. 지원 값이 2보다 작은 항목 집합을 제거합니다.

C2(F1에 있는 항목만 있음)

F2(지원 값이 2보다 작은 항목을 제거한 후)

이제 가지 치기를 수행합니다. 이 경우 C3의 항목 집합을 하위 집합으로 나누고 지원 값이 2보다 작은 항목 집합을 제거합니다.

C3(정정 후)

세 번째 반복에서는 {1,2,5}와 {1,2,3}이 모두 {1,2}를 가지고 있으므로 버릴 것입니다. 이것이 선험적 알고리즘의 주요 영향입니다.

F3({1,2,5} 및 {1,2,3}을 버린 후)

네 번째 반복에서는 F3 세트를 사용하여 C4를 생성합니다. 그러나 C4의 지원 값이 2보다 작으므로 진행하지 않고 최종 항목 집합은 F3입니다.

C3

F3을 사용하여 다음 항목 집합이 있습니다.

I = {1,3,5}인 경우, 우리가 가진 부분집합은 {5}, {3}, {1}, {3,5}, {1,5}, {1,3}입니다.

I = {2,3,5}인 경우 우리가 가진 부분집합은 {5}, {3}, {2}, {3,5}, {2,5}, {2,3}입니다.

이제 항목 집합 F3에 대한 규칙을 만들고 적용합니다. 이를 위해 최소 신뢰 값이 현재 60%라고 가정합니다. I의 부분 집합 S에 대해 다음과 같은 규칙이 출력됩니다.

• S -> (I,S) (S가 IS를 권장한다는 의미)
• support(I) / support(S) >= min_conf 값인 경우

우리가 가지고 있는 첫 번째 부분집합, 즉 {1,3,5}에 대해 이 작업을 수행해 보겠습니다.

규칙 번호 1: {1,3} -> ({1,3,5} – {1,3}) 이것은 1 & 3-> 5를 의미합니다

신뢰 가치 = (1,3,5)의 지지 가치 / (1,3)의 지지 가치 = ⅔ = 66.66%

결과가 60%보다 높으므로 규칙 1번을 선택합니다.

규칙 2번: {1,5} -> {(1,3,5) – {1,5}) 이것은 1 & 5 -> 3을 의미합니다.

신뢰 값 = (1,3,5)의 지지 값 / (1,5)의 지지 값 = 2/2 = 100%

결과가 60%보다 높으므로 규칙 2번을 선택합니다.

규칙 3번: {3} -> ({1,3,5} – {3}) 이것은 3 -> 1 & 5를 의미합니다.

신뢰 값 = (1,3,5)의 지지 값 / (3)의 지지 값 = 2/4 = 50%

결과가 60% 미만이므로 규칙 3번을 기각합니다.

세계 최고의 대학에서 데이터 과학 과정 을 이수하 십시오. 귀하의 경력을 빠르게 추적하려면 Executive PG 프로그램, 고급 인증 프로그램 또는 석사 프로그램에 가입하십시오.

위의 예에서 Apriori 알고리즘이 규칙을 만들고 적용하는 방법을 볼 수 있습니다. 두 번째 항목 세트({2,3,5})에 대해 다음 단계를 수행할 수 있습니다. 그것을 시도하면 알고리즘이 허용하는 규칙과 거부하는 규칙을 이해하는 데 큰 경험을 얻을 수 있을 것입니다. 알고리즘은 Apriori 알고리즘 Python과 같은 다른 위치에서 동일하게 유지됩니다.

결론

이 기사를 읽은 후에는 이 알고리즘과 해당 응용 프로그램에 매우 익숙할 것입니다. 추천 시스템에서 사용되기 때문에 꽤 인기를 얻었습니다.