АД/Laboratory/Laboratory11/main
Raw

Лабораторна робота 11. Пошук асоціативних правил. Алгоритми Apriori та Eclat

Одинадцята лабораторна робота курсу «Аналітика даних». Спершу в аудиторії ви обчислюєте «руками» підтримку, достовірність, підйом і переконливість на малій транзакційній базі та виконуєте Apriori вручну для заданого порогу підтримки. Потім удома реалізуєте програму, що знаходить часті набори й генерує асоціативні правила з файлу транзакцій. Робота закріплює Лекцію 11.

Коротко про роботу

Тема Асоціативні правила; міри інтересовності (supp, conf, lift, conviction); алгоритми Apriori та Eclat
Передумова Лекція 11. Пошук асоціативних правил
Аудиторна частина Обчислення мір інтересовності та Apriori «руками» (з розв’язаннями)
Домашня частина Програма: читає транзакції з файлу, знаходить часті набори й генерує правила з supp/conf/lift
Оцінювання три рівні: базовий 60–74 / середній 75–89 / високий 90–100

Зміст

№ Частина Файл
1 Мета роботи 1purpose.md
2 Методичні вказівки (теорія + демонстраційний приклад) 2method.md
3 Аудиторні задачі з розв’язаннями 3classroom.md
4 Домашнє завдання (програма) 4task.md
5 Зміст звіту 5report.md
6 Контрольні запитання 6questions.md

Домовленості

  • Дві частини. Аудиторні задачі (3classroom.md) розбирають спільно «руками» — з них ви розумієте, що саме обчислює програма. Домашнє завдання (4task.md) — самостійна реалізація алгоритму Apriori та генерації правил у коді.
  • Транзакційна база. Дані — множина транзакцій (по одній на рядок), кожна транзакція — набір елементів. Порядок елементів у транзакції несуттєвий, повтори ігнорують.
  • Два пороги. Розрізняйте мінімальну підтримку smin⁡s_{\min} (відсіює рідкісні набори) і мінімальну достовірність cmin⁡c_{\min} (відсіює ненадійні напрямки); у розв’язаннях і звіті завжди зазначайте, які пороги взято.
  • Підтримка — частка, не лічильник. supp⁡(X)=∣{t:X⊆t}∣N\operatorname{supp}(X) = \dfrac{|\{t : X \subseteq t\}|}{N}; порівнюйте з порогом саме частку (або еквівалентний лічильник smin⁡⋅Ns_{\min}\cdot N).
  • Мова програмування — на вибір. Стандартні бібліотеки для читання файлів дозволені; готові реалізації Apriori (напр. mlxtend) можна брати лише для перевірки власної.

Підсумок

Асоціативні правила відповідають на запитання «що з чим трапляється разом» і «наскільки надійно». Чотири міри — підтримка (поширеність набору), достовірність (надійність напрямку), підйом (сила зв’язку) та переконливість (частота порушень) — разом відділяють справжні закономірності від випадкових збігів і тривіальностей. У цій роботі ви навчитеся рахувати ці міри «руками», виконувати Apriori з відсіванням кандидатів за властивістю антимонотонності та перевіряти результат Eclat через перетин tid-множин — а потім автоматизуєте весь пошук програмою. Це завершальний метод змістового модуля про асоціативний аналіз і водночас типовий приклад навчання без учителя, що доповнює задачі кластеризації з Лекцій 9–10.

Laboratory/Laboratory11/main.md · 5.3 KB · updated 2026-08-04 23:20