كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

اكتشاف الأنماط في بيانات المتاجر

مبتدئقواعد ارتباط Association Rules

وصف المشكلة

تحليل سلال الشراء لاكتشاف المنتجات التي تُشترى معاً بقواعد الارتباط (Market Basket Analysis). البيانات اصطناعية.

الأهداف

  • فهم الدعم والثقة والرفع
  • استخراج قواعد ذات معنى
  • تحويل القواعد إلى قرارات عملية

نوع المشكلة

قواعد ارتباط Association Rules

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. في WEKA: افتح store-baskets-synthetic.arff ← Associate ← Apriori، واضبط lowerBoundMinSupport = 0.1 وminMetric = 0.5.
  2. في KNIME: CSV Reader ← تحويل الأعمدة الثنائية إلى مجموعة عناصر ← Association Rule Learner.
  3. في Orange: تحتاج إضافة Associate (Frequent Itemsets ثم Association Rules).
  4. رتب القواعد حسب Lift واستبعد ما رفعه أقل من 1.

مخطط سير العمل

قراءة البياناتمعالجة وتحويلنموذج / خوارزمية

Orange

FileFileFrequent ItemsetsFrequent ItemsetsAssociation RulesAssociation Rules
مخطط توضيحي بأسماء عناصر Orange (Widgets) لتبنيه بنفسك؛ لا يوجد ملف OWS لهذا المشروع، وقد يحتاج إضافة (Add-on) مذكورة في الخطوات.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (2)
  • File → Frequent Itemsets
  • File → Association Rules

KNIME

CSV ReaderCSV ReaderCreate Bit VectorCreate Bit VectorAssociation Rule LearnerAssociation RuleLearnerSorterSorter
مخطط توضيحي بأسماء عُقد KNIME (Nodes) كما تظهر في مستودع العُقد، لتبنيه بنفسك بالترتيب نفسه؛ وليس ملف KNIME بصيغة KNWF.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (3)
  • CSV Reader → Create Bit Vector
  • Create Bit Vector → Association Rule Learner
  • Association Rule Learner → Sorter

ملفات المشروع

ملفات KNIME Workflow بصيغة KNWF غير مرفقة في هذا الإصدار لأننا لم نبنها ونختبرها داخل KNIME نفسها؛ مخطط عُقد KNIME مرسوم أعلاه لتبنيه بنفسك.

النتائج

نتائج فعلية محسوبة على الملفات المرفقة

Apriori (تطبيق الأكاديمية بلغة Python) بحد أدنى للدعم 0.10 وللثقة 0.50. أقوى القواعد حسب الرفع:
• إذا جبن ← بيض: الدعم 0.177، الثقة 0.922، الرفع 2.779
• إذا بيض ← جبن: الدعم 0.177، الثقة 0.533، الرفع 2.779
• إذا زبدة ← حليب: الدعم 0.117، الثقة 0.897، الرفع 2.679
• إذا سكر ← شاي: الدعم 0.232، الثقة 0.927، الرفع 2.673
• إذا شاي ← سكر: الدعم 0.232، الثقة 0.668، الرفع 2.673
• إذا خبز ← حليب: الدعم 0.325، الثقة 0.593، الرفع 1.769

مقاييس التقييم

  • Support
  • Confidence
  • Lift

تفسير النتائج

قاعدة «جبن ← بيض» ثقتها عالية ورفعها 2.78، أي أن احتمال شراء البيض مع الجبن أعلى بكثير من المعتاد. أما القواعد التي رفعها أقل من 1 فثقتها العالية مضللة لأن المنتج التالي شائع أصلاً.

أسئلة للمناقشة

  • لماذا قد تكون قاعدة بثقة 0.5 عديمة الفائدة؟
  • كيف تستخدم هذه القواعد في ترتيب الرفوف أو العروض؟
  • ما أثر خفض الحد الأدنى للدعم إلى 0.02؟

مشاريع مشابهة