АД/Laboratory/Laboratory11/1purpose
Raw

1. Мета роботи

Навчитися знаходити асоціативні правила в транзакційній базі даних: обчислювати міри інтересовності (підтримку, достовірність, підйом, переконливість), виконувати алгоритм Apriori з відсіванням кандидатів і перевіряти результат алгоритмом Eclat; реалізувати пошук частих наборів і генерацію правил програмою, що читає транзакції з файлу.

Виконавши роботу, студент повинен уміти:

  • обчислювати підтримку набору supp⁡(X)=∣{t:X⊆t}∣/N\operatorname{supp}(X) = |\{t : X \subseteq t\}| / N та підтримку правила supp⁡(X∪Y)\operatorname{supp}(X \cup Y);
  • обчислювати достовірність conf⁡(X⇒Y)=supp⁡(X∪Y)/supp⁡(X)\operatorname{conf}(X \Rightarrow Y) = \operatorname{supp}(X \cup Y)/\operatorname{supp}(X) і розуміти її як умовну частку (аналог P(Y∣X)P(Y \mid X));
  • обчислювати підйом lift⁡=conf⁡/supp⁡(Y)\operatorname{lift} = \operatorname{conf}/\operatorname{supp}(Y) і переконливість conv⁡=(1−supp⁡(Y))/(1−conf⁡)\operatorname{conv} = (1 - \operatorname{supp}(Y))/(1 - \operatorname{conf}) та правильно їх тлумачити (lift⁡≷1\operatorname{lift} \gtrless 1; conv⁡→∞\operatorname{conv} \to \infty);
  • застосовувати властивість Apriori (антимонотонність) для відсівання кандидатів і виконувати алгоритм покроково «руками»;
  • знаходити часті набори алгоритмом Eclat через перетин tid-множин і розуміти різницю горизонтального та вертикального форматів бази;
  • відбирати цікаві правила за порогами smin⁡s_{\min}, cmin⁡c_{\min} та впорядковувати їх за підйомом і переконливістю;
  • реалізувати пошук частих наборів (Apriori) і генерацію асоціативних правил у вигляді програми, що читає транзакції з файлу CSV/тексту.

Робота закріплює Лекцію 11 — Пошук асоціативних правил. Уся потрібна теорія повторена в самодостатньому вигляді в методичних вказівках.

Laboratory/Laboratory11/1purpose.md · 2.6 KB · updated 2026-08-04 23:20