Veri madenciliği ile birliktelik kurallarının bulunması

Abstract

Teknolojik gelişmeler ile birlikte günümüzde her alanda sürekli olarak şirketler ve kurumlar özellikle müşteri ve satış verilerini depolamaktadırlar. Bu verilerden veri madenciliği teknikleri uygulanarak önceden bilinmeyen, veri iç inde gizli, anlamlı, potansiyel olarak kullanışlı ve değerli bilgiler elde edilmek istenmektedir. Birliktelik-ilişki kuralıda bu tekniklerden biridir. Birliktelik-ilişki kuralı, hareket verileri içinde birlikte hareket eden öğelerin keşfedilmesi, keşfedilen bu bağıntılar ile geleceğe yönelik tahminler üretilmesini sağlar.Apriori algoritması, veri madenciliğinde sık geçen öğelerin keşfedilmesi için kullanılan en çok bilinen birliktelik-ilişki kuralı algoritmasıdır, temel olarak iteratif bir yapıya sahiptir. Sık geçen öğeleri bulmak için birçok kez veritabanını taramak gerekir, bu taramalar aşamasında Apriori algoritmasının birleştirme, budama işlemleri ve minimum destek ölçütü yardımı ile birliktelik ilişkisi olan öğeler bulunur.Bu tez kapsamında, veritabanlarında bilgi keşfi süreçleri, veri madenciliği, veri madenciliğinde kullanılan birliktelik-ilişki kuralı ve Apriori algoritması hakkında bilgiler verilmiştir.Uygulama bölümünde, gerçek veriler kullanarak Birliktelik Kuralları yöntemi ile Pazar Sepeti Çözümlemesi uygulaması yapılmış ve elde edilen sonuçlar tartışılmıştır. Çalışmanın amacı; Veritabanlarında Bilgi Keşfi, Veri Madenciliği ve Birliktelik Kuralları'nı ayrıntılı olarak incelemek, veri madenciliğinde istatistiksel çözümlemeye ağırlık vererek bir pazar sepeti çözümlemesi uygulaması gerçekleştirip sonuçları değerlendirmektir.Anahtar kelimeler: Veri madenciliği, birliktelik kuralları, apriori algoritması

In this time period, many of companies and corporates specially store customer and sales data in databases together with technological developments. They want to obtain previously unknown, implicit, meaningful, and potentially useful information from data in databases with data mining techniques. Association rule mining is one kind of data mining techniques which discovers strong association or correlation relationships among a large of data items.The Apriori algorithm is the most popular association rule algorithm which discovers all frequent itemsets in large database of transactions. This algorithm uses iterative approach to count the frequent itemsets. Using this algorithm, candidate patterns which receive sufficient support from the database and the algorithm uses aprior gen actions join and prune to find all frequent itemsets.In this thesis, processes of knowledge discovery in databases, data mining, association rule and Apriori algorithm are explained.In the application, by using real data, market basket analysis application has performed by association rules and the results have been discussed. The aim of the study is to analyze knowledge discovery in databases, data mining and association rules, to carry out a market basket analysis by emphasizing on statistical analysis and to evaluate the results of the application.Key Words: Data Mining, Association Rules, Apriori Algorithm.