R programlama dilinde birliktelik kurallarının temellerini, Apriori algoritmasını ve sepet analizindeki pratik uygulamalarını keşfedin. Gerçek dünya vaka analizleriyle veri madenciliği becerilerinizi geliştirin. Günümüzün dijital çağında, işletmeler ve araştırmacılar her zamankinden daha fazla veriyle karşı karşıya. Bu devasa veri yığınları arasında gizlenmiş değerli bilgileri ortaya çıkarmak, rekabet avantajı sağlamak veya önemli keşifler yapmak için kritik öneme sahip. Peki, milyonlarca işlem kaydı, müşteri davranışı veya sensör verisi içindeki bu gizli ilişkileri nasıl bulabiliriz?
İşte tam bu noktada “Birliktelik Kuralları” devreye giriyor. Özellikle market sepeti analizi (market basket analysis) bağlamında popülerleşen bu veri madenciliği tekniği, büyük veri setlerindeki öğeler arasındaki ilginç ilişkileri, desenleri veya korelasyonları keşfetmek için kullanılır. Örneğin, bir süpermarkette bebek bezi alan müşterilerin aynı zamanda bira da aldığını gösteren klasik bir örnek, bu kuralların ne kadar şaşırtıcı ve bir o kadar da faydalı olabileceğini ortaya koymuştur. Bu tür içgörüler, pazarlama stratejilerinden ürün yerleştirmeye, web sitesi tasarımından tıbbi teşhislere kadar pek çok alanda devrim yaratabilir.
Bu makalede, R programlama dilinin gücünü kullanarak birliktelik kurallarının dünyasına derinlemesine dalacağız. Konuya tamamen yabancı olanlardan deneyimli veri bilimcilere kadar herkesin faydalanabileceği bir yol haritası sunmayı hedefliyoruz. Birliktelik kurallarının kökenlerinden başlayarak temel kavramlarını anlayacak, R’daki ‘arules’ paketi ile adım adım nasıl uygulanacağını öğrenecek ve gerçek dünya senaryolarından vaka analizleriyle bu kuralların pratik değerini keşfedeceğiz. Ayrıca, büyük veri setleriyle çalışırken performans optimizasyonu ve ileri düzey teknikler hakkında ipuçları da bulacaksınız. Hazırsanız, verilerin ardındaki gizemli ilişkileri çözmek için R ile bir yolculuğa çıkalım!
Birliktelik Kuralları Nedir ve Neden Önemlidir?
Birliktelik kuralları (Association Rules), veri madenciliğinde kullanılan güçlü bir yöntemdir ve genellikle bir veri setindeki öğe kümeleri arasındaki ilginç ilişkileri bulmak için tasarlanmıştır. Bu kurallar, “Eğer X öğesi satın alınmışsa, o zaman muhtemelen Y öğesi de satın alınmıştır” gibi basit ama anlamlı ifadelerle özetlenebilir. Bu tür ilişkilerin keşfi, karar alma süreçlerinde önemli bir rol oynar ve işletmelere paha biçilmez stratejik avantajlar sunar.
Birliktelik Kurallarının Temel Kavramları Nelerdir?
Birliktelik kurallarını anlamak için üç temel ölçütü bilmek gereklidir: Destek (Support), Güven (Confidence) ve Kaldıraç (Lift). Bu ölçütler, bulunan kuralların ne kadar anlamlı ve ilgi çekici olduğunu belirlememize yardımcı olur:
- Destek (Support): Bir öğe kümesinin veya kuralın, toplam işlem sayısı içindeki gerçekleşme sıklığını ifade eder. Yani, belirli bir öğenin (veya öğe kümesinin) veri setinde ne kadar yaygın olduğunu gösterir. Örneğin, {Bebek Bezi} ve {Bira} öğe kümesinin desteği %2 ise, tüm işlemlerin %2’sinde hem bebek bezi hem de bira birlikte satın alınmıştır demektir. Yüksek destek, kuralın daha genel geçer olduğunu gösterir.
- Güven (Confidence): Bir kuralın geçerliliğini ölçer. “Eğer X ise, o zaman Y” kuralı için güven, X öğesini içeren işlemlerin yüzde kaçında Y öğesinin de bulunduğunu gösterir. Örneğin, {Bebek Bezi} -> {Bira} kuralının güveni %60 ise, bebek bezi satın alan müşterilerin %60’ının aynı zamanda bira da satın aldığı anlamına gelir. Yüksek güven, kuralın tahmin gücünün yüksek olduğunu gösterir.
- Kaldıraç (Lift): Bir kuralın beklendiğinden ne kadar daha iyi olduğunu gösterir. Lift değeri 1’den büyükse, X ve Y öğelerinin birlikte görülme olasılığı, bağımsız olarak görülme olasılıklarından daha yüksektir. Yani, X ve Y arasında pozitif bir korelasyon vardır. Lift değeri 1’e eşitse, aralarında bir korelasyon yok demektir; 1’den küçükse negatif bir korelasyon, yani birinin varlığı diğerinin yokluğunu işaret edebilir. Kaldıraç, sadece destek ve güvene bakarak görülemeyecek derinlikteki ilişkileri ortaya çıkarmak için önemlidir.
Apriori Algoritması: Birliktelik Kurallarını Nasıl Keşfeder?
Birliktelik kurallarını bulmak için kullanılan en popüler algoritmalardan biri Apriori algoritmasıdır. Apriori, “birliktelik kuralları madenciliğinin kalbi” olarak da bilinir ve büyük veri setlerinde sık geçen öğe kümelerini (frequent itemsets) ve bu kümelerden türetilen güçlü kuralları bulmak için kullanılır. Algoritmanın temel prensibi basittir: Eğer bir öğe kümesi sık geçmiyorsa, o kümenin üst kümeleri de sık geçmeyecektir. Bu prensibe “Apriori Özelliği” denir ve arama alanını önemli ölçüde daraltarak hesaplama yükünü azaltır.
Apriori algoritması, öncelikle belirli bir minimum destek eşiğinin üzerinde olan tekli öğeleri (1-itemsets) bulur. Ardından, bu 1-itemsets’leri kullanarak 2-itemsets’leri oluşturur ve yine minimum destek eşiğine göre filtreler. Bu işlem, daha büyük öğe kümeleri bulunana kadar tekrarlanır. Sık geçen tüm öğe kümeleri bulunduktan sonra, bu kümelerden minimum güven ve kaldıraç eşikleri kullanılarak birliktelik kuralları türetilir.
Birliktelik Kuralları Neden Bu Kadar Önemlidir?
Birliktelik kuralları, işletmelerin ve kuruluşların veri odaklı kararlar almasına yardımcı olduğu için son derece önemlidir. İşte bazı nedenler:
- Pazarlama ve Satış Stratejileri: Müşteri sepet analizi ile çapraz satış (cross-selling) ve yukarı satış (up-selling) fırsatları belirlenir. Ürün yerleştirme, promosyonlar ve kişiselleştirilmiş öneriler için temel sağlar.
- Ürün Yönetimi: Hangi ürünlerin birlikte daha iyi performans gösterdiğini veya hangi ürünlerin birbiriyle rekabet ettiğini anlamak, ürün portföyünü optimize etmeye yardımcı olur.
- Web Sitesi Optimizasyonu: Kullanıcıların web sitesinde gezinme yollarını analiz ederek, içerik yerleşimi ve navigasyon iyileştirmeleri yapılabilir.
- Sağlık Hizmetleri: Hastalık belirtileri arasındaki ilişkileri veya ilaç etkileşimlerini keşfetmek, daha doğru teşhisler ve tedavi yöntemleri geliştirmeye yardımcı olabilir.
- Dolandırıcılık Tespiti: Anormal işlem kalıplarını belirleyerek dolandırıcılık faaliyetlerini önceden tespit etmeye yardımcı olur.
Uzman İpucu: Birliktelik kurallarının gücü, sadece “ne” olduğu değil, aynı zamanda “neden” olduğu sorularına cevap arayarak artırılabilir. Keşfettiğiniz her kuralı iş bağlamında yorumlamak, gerçek değeri ortaya çıkarır.
Görüldüğü üzere, birliktelik kuralları sadece “Bunu alan şunu da alır” demenin ötesinde, derinlemesine içgörüler sunarak stratejik avantajlar sağlayabilen çok yönlü bir veri madenciliği tekniğidir. Şimdi, bu güçlü tekniği R’da nasıl uygulayacağımıza geçelim.
R’da Birliktelik Kuralları: ‘arules’ Paketi ile Adım Adım Uygulama
R, istatistiksel analiz ve veri bilimi için mükemmel bir araçtır ve birliktelik kuralları konusunda da ‘arules’ paketi sayesinde oldukça yeteneklidir. Bu bölümde, R’da birliktelik kurallarını nasıl uygulayacağımızı adım adım inceleyeceğiz. İlk olarak, veri hazırlığı ile başlayacak, ardından ‘arules’ paketini kullanarak Apriori algoritmasını çalıştıracak ve son olarak elde edilen kuralları nasıl yorumlayacağımızı öğreneceğiz.
Veri Hazırlığı: İşlem Verilerini Anlamak
Birliktelik kuralları genellikle işlem (transaction) verileri üzerinde çalışır. Her işlem, bir sepet içindeki ürünler gibi bir dizi öğeden oluşur. R’da bu tür verilerle çalışmak için özel bir format olan “transactions” objesini kullanırız. Önce, basit bir örnek veri seti oluşturalım:
# Gerekli paketi yükleyin, yüklü değilse kurun
if (!require(arules)) {
install.packages("arules")
library(arules)
}
# Örnek işlem verileri oluşturalım
# Her satır bir işlemi, her eleman bir öğeyi temsil eder
transactions_data <- list(
c("ekmek", "süt", "yumurta"),
c("ekmek", "tereyağı"),
c("süt", "yoğurt"),
c("ekmek", "süt", "peynir", "yoğurt"),
c("yumurta", "süt"),
c("ekmek", "peynir")
)
# Listeyi 'transactions' formatına dönüştürelim
transactions_obj <- as(transactions_data, "transactions")
# Veriyi inceleyelim
summary(transactions_obj)
inspect(transactions_obj)
Yukarıdaki kod bloğu, transactions_data adında basit bir liste oluşturur ve bu listeyi arules paketinin anlayabileceği transactions objesine dönüştürür. summary() fonksiyonu, veri setindeki işlem ve öğe sayıları hakkında özet bilgiler verirken, inspect() fonksiyonu ise işlemleri daha detaylı görmemizi sağlar.
Apriori Algoritmasının Uygulanması
‘arules’ paketi, Apriori algoritmasını uygulamak için apriori() fonksiyonunu sunar. Bu fonksiyon, minimum destek (support) ve minimum güven (confidence) gibi parametreler alarak kuralları oluşturur. Bu parametreler, ne kadar güçlü ve sık geçen kurallar aradığınızı belirler.
# Apriori algoritmasını uygulayalım
# min. destek = 0.3 (işlemlerin en az %30'unda geçmeli)
# min. güven = 0.6 (X varsa, Y'nin %60 olasılıkla var olması)
rules <- apriori(transactions_obj, parameter = list(support = 0.3, confidence = 0.6))
# Bulunan kuralları inceleyelim
inspect(rules)
Bu kod, belirtilen destek ve güven eşiklerine göre kuralları bulur. Sonuç olarak elde ettiğimiz rules objesi, tüm birliktelik kurallarını içerir. Ancak genellikle bu kuralları daha anlamlı hale getirmek için filtreleme ve sıralama yaparız.
Kuralların İncelenmesi ve Filtrelenmesi
Bulunan kurallar genellikle çok sayıda olabilir. Bu nedenle, en ilgi çekici kuralları bulmak için onları kaldıraç (lift) değerine göre sıralamak veya belirli öğeleri içeren kuralları filtrelemek faydalıdır:
# Kuralları kaldıraç (lift) değerine göre sıralayalım
rules_sorted <- sort(rules, by = "lift", decreasing = TRUE)
inspect(rules_sorted)
# Belirli bir öğeyi (örneğin "süt") içeren kuralları filtreleyelim
# Sağ tarafı "süt" olan kurallar (yani "süt" ile ne alınır?)
rules_sut_rhs <- subset(rules, rhs %in% "süt")
inspect(rules_sut_rhs)
# Sol tarafı "ekmek" olan kurallar (yani "ekmek" alınırsa ne alınır?)
rules_ekmek_lhs <- subset(rules, lhs %in% "ekmek")
inspect(rules_ekmek_lhs)
Bu filtreleme ve sıralama işlemleri, yüzlerce kural arasından en değerli olanları seçmemize olanak tanır. Örneğin, rules_sut_rhs bize “süt”ün hangi ürünlerle birlikte satın alındığını gösteren kuralları verirken, rules_ekmek_lhs ise “ekmek” satın alan bir müşterinin başka neleri satın alabileceğine dair içgörüler sunar. Bu tip detaylı incelemeler, pazarlama kararları için kritik öneme sahiptir.
Unutmamak gerekir ki, birliktelik kuralları dinamik ve bağlama özeldir. Yani farklı veri setlerinde veya aynı veri setinde farklı parametrelerle çalışıldığında farklı kurallar elde edilebilir. Bu nedenle, elde edilen kuralları her zaman iş bağlamında dikkatlice yorumlamak ve geçerliliklerini sınamak önemlidir. Bir sonraki bölümde, bu kuralların gerçek dünyada nasıl kullanıldığına dair vaka analizlerine odaklanacağız.
support ve confidence parametrelerinin seçimine büyük ölçüde bağlıdır. Çok düşük değerler çok fazla kural, çok yüksek değerler ise çok az kural bulmanıza neden olabilir. En uygun değerleri bulmak için deneme yanılma yapmaktan çekinmeyin!Gerçek Dünya Uygulamaları ve Vaka Analizleri: Veri Odaklı Kararlar Nasıl Alınır?
Birliktelik kurallarının teorik temellerini ve R’daki uygulamasını öğrendik. Şimdi sıra geldi bu güçlü tekniğin gerçek dünyadaki karşılıklarına. Aşağıda, birliktelik kurallarının farklı sektörlerde nasıl devrim yarattığını gösteren bazı vaka analizlerini inceleyeceğiz. Bu örnekler, karmaşık veri setlerinden nasıl somut ve eyleme geçirilebilir içgörüler elde edildiğini gözler önüne serecektir.
Vaka Analizi 1: E-ticaret Sepet Analizi (Market Basket Analysis)
E-ticaret şirketleri, müşteri satın alma verilerinin zenginliğinden faydalanarak satışlarını artırmak için birliktelik kurallarını yoğun olarak kullanır. En bilinen uygulama alanı, sepet analizidir.
Senaryo: Büyük bir online perakendeci, müşterilerinin satın alma alışkanlıklarını anlayarak ürün yerleşimini optimize etmek, çapraz satış fırsatları yaratmak ve kişiselleştirilmiş ürün önerileri sunmak istiyor.
Uygulama: Şirket, milyonlarca işlem kaydını içeren bir veri setini arules paketiyle analiz eder. Hedefleri, en az %1 destek ve %60 güven değerine sahip kuralları bulmaktır.
# Gerçekçi bir örnek için E-ticaret verisi düşünelim (simüle edilmiş)
# Gerçek dünyada bu veriler genellikle bir veritabanından çekilir.
# Örnek: her satır bir müşterinin satın aldığı ürünleri listeler
ecommerce_transactions_data <- list(
c("gömlek", "pantolon", "kemer"),
c("ayakkabı", "çorap"),
c("gömlek", "kemer", "kravat"),
c("pantolon", "ayakkabı"),
c("çorap", "gömlek"),
c("kemer", "ayakkabı", "çorap"),
c("gömlek", "pantolon"),
c("kravat", "çorap", "ayakkabı")
)
ecommerce_transactions_obj <- as(ecommerce_transactions_data, "transactions")
# Apriori algoritmasını daha düşük destek ve güven ile çalıştıralım
# Gerçek verilerde genellikle daha düşük eşikler kullanılır
ecommerce_rules <- apriori(ecommerce_transactions_obj,
parameter = list(support = 0.2, confidence = 0.5, minlen = 2))
# Bulunan kuralları kaldıraç değerine göre sıralayalım
ecommerce_rules_sorted <- sort(ecommerce_rules, by = "lift", decreasing = TRUE)
inspect(head(ecommerce_rules_sorted, 10)) # İlk 10 kuralı inceleyelim
Elde Edilen İçgörüler: Analiz sonucunda şu tür kurallar ortaya çıkabilir:
{gömlek} => {kemer}(Destek: 0.3, Güven: 0.75, Kaldıraç: 2.0) – Gömlek alan müşterilerin %75’i kemer de alıyor ve bu, tesadüften iki kat daha fazla.{ayakkabı} => {çorap}(Destek: 0.375, Güven: 0.75, Kaldıraç: 1.5) – Ayakkabı alanların %75’i çorap da alıyor.{pantolon} => {gömlek}(Destek: 0.25, Güven: 0.66, Kaldıraç: 1.3) – Pantolon alanların %66’sı gömlek de alıyor.
Uygulanabilir Kararlar:
- Çapraz Satış Kampanyaları: Müşteri sepetine gömlek eklediğinde, otomatik olarak kemer önerileri sunulabilir. Ayakkabı alanlara çorap önerisi yapılabilir.
- Ürün Yerleşimi: Fiziksel mağazalarda kemerler, gömlek reyonlarının yakınına yerleştirilebilir. E-ticaret sitesinde ise ürün detay sayfalarında “Bu ürünü alanlar bunları da aldı” bölümünde ilgili ürünler gösterilir.
- Paket Fırsatları: Gömlek ve kemer veya pantolon ve gömlek kombinasyonları indirimli paketler halinde sunulabilir.
Vaka Analizi 2: Web Sitesi Gezinme Yolu Analizi
Birliktelik kuralları sadece ürün satın alımlarıyla sınırlı değildir. Bir web sitesindeki kullanıcı davranışlarını analiz etmek için de kullanılabilir.
Senaryo: Bir haber sitesi, kullanıcıların hangi makaleleri okuduktan sonra başka hangi makalelere geçtiğini anlamak istiyor. Amaç, ilgili içerikleri daha etkili bir şekilde önermek ve site içi trafiği artırmak.
Uygulama: Her bir kullanıcının oturumu, bir işlem olarak kabul edilir ve bu oturumdaki ziyaret edilen her sayfa bir öğe olarak ele alınır. Log kayıtları işlenerek bu veriler hazırlanır.
# Web sitesi gezinme verisi simüle edelim
# Her liste elemanı bir kullanıcının ziyaret ettiği sayfaları temsil etsin
website_sessions_data <- list(
c("anasayfa", "spor_haberleri", "futbol_maci"),
c("anasayfa", "ekonomi_haberleri", "borsa_verileri"),
c("spor_haberleri", "basketbol_ligi"),
c("anasayfa", "spor_haberleri", "basketbol_ligi", "futbol_maci"),
c("ekonomi_haberleri", "piyasa_yorumlari")
)
website_transactions_obj <- as(website_sessions_data, "transactions")
website_rules <- apriori(website_transactions_obj,
parameter = list(support = 0.2, confidence = 0.6, minlen = 2))
website_rules_sorted <- sort(website_rules, by = "lift", decreasing = TRUE)
inspect(head(website_rules_sorted, 5))
Elde Edilen İçgörüler:
{spor_haberleri} => {futbol_maci}kuralı, spor haberleri okuyanların genellikle futbol maçlarına da ilgi duyduğunu gösterir.{ekonomi_haberleri} => {borsa_verileri}kuralı, ekonomi haberleriyle ilgilenenlerin borsa verilerini de takip ettiğini ortaya koyar.
Uygulanabilir Kararlar:
- İçerik Önerileri: Kullanıcı bir “spor haberleri” makalesini okuduğunda, “futbol maçı” ile ilgili diğer makaleler otomatik olarak önerilebilir.
- Site İçi Pazarlama: İlgili makaleler birbirine yakın yerleştirilebilir veya banner reklamları belirli sayfa ziyaretçilerine özel olarak hedeflenebilir.
Bu vaka analizleri, birliktelik kurallarının ne kadar esnek ve farklı veri türlerine uygulanabilir olduğunu göstermektedir. Doğru veri hazırlığı ve parametre seçimi ile, bu teknikten paha biçilmez iş içgörüleri elde etmek mümkündür.
İleri Düzey Teknikler ve Optimizasyonlar: Performansı Artırmanın Yolları
Birliktelik kuralları, basit gibi görünse de büyük veri setleriyle çalışırken veya daha karmaşık senaryolarda uygulandığında bazı zorluklar ortaya çıkabilir. Bu bölümde, deneyimli kullanıcılar için birliktelik kurallarının uygulanmasını optimize etmek ve daha derinleşimli analizler yapmak için bazı ileri düzey tekniklere ve ipuçlarına değineceğiz.
Büyük Veri Setleriyle Çalışmak ve Performans Optimizasyonu
Gerçek dünya veri setleri genellikle milyonlarca işlem ve binlerce farklı öğe içerebilir. Bu tür büyük verilerle Apriori algoritmasını doğrudan çalıştırmak çok zaman alıcı olabilir veya belleği aşırı derecede tüketebilir.
-
- Minimum Destek ve Güven Eşikleri: Büyük veri setlerinde,
supportveconfidenceeşiklerini başlangıçta daha yüksek tutmak, gereksiz ve anlamsız kural sayısını azaltarak performansı artırabilir. Daha sonra, elde edilen kural sayısı makul seviyeye indiğinde eşikleri kademeli olarak düşürebilirsiniz.
- Minimum Destek ve Güven Eşikleri: Büyük veri setlerinde,
-
- Veri Küçültme (Sampling): Çok büyük veri setleri için, tüm veri yerine daha küçük ama temsili bir örneklem (sample) üzerinde çalışmak, algoritmanın daha hızlı sonuç vermesini sağlayabilir. Ancak, örneklemin genel popülasyonu iyi temsil ettiğinden emin olmak önemlidir.
-
- Maximal ve Closed Frequent Itemsets:
arulespaketi, sadece maksimal (maximal) veya kapalı (closed) sık geçen öğe kümelerini bulmaya olanak tanıyan özel algoritmalar da sunar. Bu, gereksiz kuralların üretilmesini engelleyerek hem hesaplama süresini hem de çıkan kural sayısını azaltır.
- Maximal ve Closed Frequent Itemsets:
Diğer Algoritmalar: Eclat ve FP-Growth
Apriori, popüler bir algoritma olsa da tek seçenek değildir. Özellikle büyük veri setleri için tasarlanmış ve farklı performans özelliklerine sahip başka algoritmalar da mevcuttur:
-
- Eclat Algoritması: Apriori’den farklı olarak, dikey veri formatında çalışır ve işlem kimlik listelerini (TID-lists) kullanarak kesişim işlemlerini daha verimli hale getirir. Genellikle Apriori’den daha hızlıdır, özellikle yoğun veri setleri için.
arulespaketi içindeeclat()fonksiyonu ile kullanılabilir.
- Eclat Algoritması: Apriori’den farklı olarak, dikey veri formatında çalışır ve işlem kimlik listelerini (TID-lists) kullanarak kesişim işlemlerini daha verimli hale getirir. Genellikle Apriori’den daha hızlıdır, özellikle yoğun veri setleri için.
-
- FP-Growth Algoritması: Arama uzayını kesmek için FP-tree (Frequent Pattern Tree) adı verilen özel bir veri yapısı kullanır. Apriori’deki aday küme üretme (candidate generation) adımı olmadan çalışır ve bu sayede özellikle çok sayıda öğe içeren veri setlerinde Apriori’den önemli ölçüde daha hızlı olabilir.
arulespaketinde doğrudan FP-Growth implementasyonu olmasa da, diğer R paketleri veya Java tabanlı implementasyonlar mevcuttur.
- FP-Growth Algoritması: Arama uzayını kesmek için FP-tree (Frequent Pattern Tree) adı verilen özel bir veri yapısı kullanır. Apriori’deki aday küme üretme (candidate generation) adımı olmadan çalışır ve bu sayede özellikle çok sayıda öğe içeren veri setlerinde Apriori’den önemli ölçüde daha hızlı olabilir.
Kuralların Görselleştirilmesi: ‘arulesViz’ Paketi ile Daha Anlaşılır Hale Getirme
Yüzlerce veya binlerce kuralı tablo formatında incelemek zor olabilir. ‘arulesViz’ paketi, bu kuralları görselleştirmek için çeşitli yöntemler sunarak daha hızlı ve sezgisel içgörüler elde etmenizi sağlar.
# Gerekli paketi yükleyin, yüklü değilse kurun
if (!require(arulesViz)) {
install.packages("arulesViz")
library(arulesViz)
}
# Kuralların grafiksel gösterimi (scatter plot)
# Bu grafik her kuralı destek, güven ve kaldıraç değerlerine göre konumlandırır.
plot(rules_sorted, method = "graph", control = list(type = "items"))
# Kuralların network grafiği ile gösterimi
# Bu, öğeler arasındaki ilişkileri bir ağ yapısı olarak görselleştirir.
plot(rules_sorted, method = "grouped")
# En iyi kurallardan bazılarını interaktif olarak görselleştirelim
# Bu komut, web tarayıcınızda etkileşimli bir grafik açar.
# plot(rules_sorted, method = "graph", engine = "htmlwidget")
Görselleştirmeler, özellikle karmaşık ilişkileri ve kural kümelerini anlamak için paha biçilmezdir. Dağılım grafikleri, kuralların destek, güven ve kaldıraç değerlerine göre nasıl dağıldığını gösterirken; ağ grafikleri, hangi öğelerin birbiriyle daha sık ilişkilendirildiğini görsel olarak ortaya koyar.
Anlamsız Kuralları Eleme ve Yorumlama
Algoritma tarafından bulunan tüm kurallar her zaman anlamlı veya uygulanabilir olmayabilir. Bazı kurallar:
- Önemsiz (Trivial): Örneğin, {ekmek} => {ekmek} gibi kurallar. Bunlar genellikle
minlenparametresi ile elenebilir. - Yersiz (Redundant): Daha genel bir kuralın özel bir hali olan kurallar. Örneğin, {süt, yumurta} => {ekmek} kuralı varken, {süt} => {ekmek} kuralı da varsa ve ilki diğerini kapsıyorsa, ikincisi yersiz olabilir. Redundant kuralları kaldırmak için
is.redundant()fonksiyonunu kullanabilirsiniz. - Yorumlaması Zor: Çok sayıda öğeden oluşan kurallar, pratik uygulamada anlaması ve kullanması zor olabilir.
# Fazla kural varsa, redundant (yedekli) kuralları eleyelim
# redundant_rules <- is.redundant(rules, measure="confidence")
# rules_pruned <- rules[!redundant_rules]
# inspect(rules_pruned)
Kuralları dikkatlice elemek ve iş mantığına göre yorumlamak, analizden elde edilen değeri maksimuma çıkarmanın anahtarıdır. İleri düzey teknikler ve dikkatli bir yorumlama süreci, birliktelik kurallarının gerçek potansiyelini ortaya çıkarır ve veri odaklı karar alma süreçlerinizi güçlendirir.
Sonuç ve Sıkça Sorulan Sorular: Bilmeniz Gereken Her Şey
Bu kapsamlı rehber boyunca, R programlama dilinde birliktelik kurallarının dünyasına derinlemesine bir yolculuk yaptık. Kökenlerinden başlayarak, Apriori algoritmasının temel prensiplerini ve destek, güven, kaldıraç gibi anahtar ölçütleri öğrendik. R’daki ‘arules’ paketi ile adım adım uygulama örnekleri sayesinde, kendi veri setlerinizde birliktelik kurallarını nasıl bulacağınızı ve yorumlayacağınızı kavradık. Ayrıca, e-ticaret sepet analizinden web sitesi gezinme yolu analizine kadar gerçek dünya vaka çalışmalarıyla bu kuralların pratik değerini ve uygulanabilirliğini gördük. Son olarak, büyük veri setleriyle başa çıkmak, farklı algoritmaları kullanmak ve kuralları daha anlamlı hale getirmek için ileri düzey teknikler ve görselleştirme yöntemlerine değindik.
Birliktelik kuralları, sadece “bunu alan şunu da alır” demenin ötesinde, müşteri davranışlarını anlama, pazarlama stratejilerini optimize etme, ürün yerleşimlerini iyileştirme ve hatta tıbbi teşhislerde önemli ilişkileri keşfetme gibi pek çok alanda paha biçilmez içgörüler sunar. R’ın esnekliği ve ‘arules’ gibi güçlü paketler sayesinde, bu karmaşık görünen veri madenciliği tekniğini herkesin erişebileceği bir araç haline getirmek mümkündür. Unutmayın, en iyi sonuçları elde etmek için sürekli deneme yapmak, parametreleri ayarlamak ve bulduğunuz kuralları her zaman iş bağlamında sorgulamak esastır. Verilerin sunduğu bu gizli ilişkileri keşfederek, daha bilinçli ve stratejik kararlar alabilirsiniz. Şimdi, konuyla ilgili sıkça sorulan bazı sorulara göz atalım:
Sıkça Sorulan Sorular (SSS)
- 1. Birliktelik kurallarını hangi tür veri setlerinde kullanabilirim?
- Birliktelik kuralları genellikle işlem tabanlı verilerde (örneğin, müşteri satın alımları, web sitesi ziyaretleri, tıbbi kayıtlar, log dosyaları) kullanılır. Her işlem bir “sepet” ve bu sepetin içindeki öğeler bir “ürün” olarak düşünülebilir. Verilerinizin bu formata dönüştürülebilmesi önemlidir.
- 2. Destek, Güven ve Kaldıraç değerleri için ideal eşikler nelerdir?
- Bu eşikler, veri setinize ve aradığınız kural türüne göre büyük ölçüde değişir. Genellikle, çok düşük destek değeri çok fazla anlamsız kural üretirken, çok yüksek destek değeri ise çok az kural bulmanıza neden olabilir. Benzer şekilde, güven ve kaldıraç için de deneme yanılma yoluyla veri setinize en uygun değerleri bulmak gerekir. Çoğu durumda, başlangıç için destek 0.01-0.1, güven 0.5-0.8 aralığında denenebilir.
- 3. Apriori algoritması neden yavaş çalışabilir ve nasıl hızlandırabilirim?
- Apriori, büyük veri setlerinde ve çok düşük destek eşiklerinde çok sayıda aday öğe kümesi oluşturması gerektiği için yavaşlayabilir. Hızlandırmak için; daha yüksek destek ve güven eşikleri belirlemek, veri setini örneklemek (sampling), daha hızlı algoritmaları (Eclat veya FP-Growth) kullanmak veya gereksiz kuralları (
minlen,maxlengibi parametrelerle) elemek faydalı olacaktır. - 4. Bulduğum birliktelik kurallarının gerçekten anlamlı olup olmadığını nasıl anlarım?
- Bir kuralın anlamlı olup olmadığını anlamak için üç temel yaklaşım vardır:
- İş Bilgisi: Elde edilen kuralların iş bağlamında mantıklı olup olmadığını değerlendirin. Örneğin, bebek bezi ve bira kuralı gibi şaşırtıcı ama geçerli ilişkiler olabileceği gibi, zaten bilinen veya önemsiz ilişkiler de ortaya çıkabilir.
- İstatistiksel Önem: Sadece destek, güven ve kaldıraç değerlerine bakmak yerine, istatistiksel testler (örneğin chi-square) kullanarak kuralın şans eseri olup olmadığını değerlendirebilirsiniz.
- Uygulanabilirlik: Kuralın somut bir iş kararına veya stratejisine dönüştürülüp dönüştürülemeyeceğine bakın.
- 5. R dışında birliktelik kuralları için başka hangi araçları kullanabilirim?
- Python’da
mlxtendkütüphanesi Apriori, Eclat ve FP-Growth algoritmalarını sunar. Ayrıca Weka, RapidMiner gibi GUI tabanlı veri madenciliği araçları da birliktelik kuralları analizi için seçenekler sunmaktadır. Büyük veri platformlarında (Spark gibi) ise bu algoritmaların dağıtık implementasyonları bulunmaktadır.