# 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](../../Lectures/DA-L11.md).

## Коротко про роботу

| | |
|---|---|
| **Тема** | Асоціативні правила; міри інтересовності (supp, conf, lift, conviction); алгоритми Apriori та Eclat |
| **Передумова** | [Лекція 11. Пошук асоціативних правил](../../Lectures/DA-L11.md) |
| **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](1purpose.md) |
| 2 | Методичні вказівки (теорія + демонстраційний приклад) | [2method.md](2method.md) |
| 3 | Аудиторні задачі з розв'язаннями | [3classroom.md](3classroom.md) |
| 4 | Домашнє завдання (програма) | [4task.md](4task.md) |
| 5 | Зміст звіту | [5report.md](5report.md) |
| 6 | Контрольні запитання | [6questions.md](6questions.md) |

## Домовленості

- **Дві частини.** Аудиторні задачі ([3classroom.md](3classroom.md)) розбирають
  спільно «руками» — з них ви розумієте, *що саме* обчислює програма. Домашнє
  завдання ([4task.md](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** $s_{\min}$ (відсіює рідкісні
  набори) і **мінімальну достовірність** $c_{\min}$ (відсіює ненадійні напрямки);
  у розв'язаннях і звіті завжди зазначайте, які пороги взято.
- **Підтримка — частка, не лічильник.** $\operatorname{supp}(X) = \dfrac{|\{t : X \subseteq t\}|}{N}$;
  порівнюйте з порогом саме частку (або еквівалентний лічильник $s_{\min}\cdot N$).
- **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](../../Lectures/DA-L09.md)–[10](../../Lectures/DA-L10.md).