Асоциативни правила с активно обучение
Асоциативните правила с активно обучение комбинират итеративния цикъл заявка-етикет на активното обучение с извличането на асоциативни правила, позволявайки на експерт-човек да направлява процеса на откриване интерактивно. Вместо изчерпателно изброяване на всички правила над фиксиран праг на подкрепа-увереност, системата избира най-информативните кандидати за правила и моли потребителя да прецени тяхната интересност, фокусирайки търсенето върху субективно полезни модели.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Dzyuba, V., & van Leeuwen, M. (2017). Interactive Discovery of Interesting Association Rules by Subjective Interestingness. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Springer. link ↗
- Boley, M., Lucchese, C., Paurat, D., & Gartner, T. (2013). Direct Local Pattern Sampling by Efficient Two-Step Random Procedures. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 582–590). ACM. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/bg/machine-learning/active-learning-association-rules
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Активно обучениеМашинно обучение↔ compare
- Алгоритъм AprioriМашинно обучение↔ compare
- Правила за асоциацияМашинно обучение↔ compare
- FP-Growth (Често срещани модели)Машинно обучение↔ compare
- Полу-наблюдавано извличане на асоциативни правилаМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →