Бейсови правила за асоцииране
Бейсовите правила за асоцииране разширяват класическото извличане на правила за асоцииране, като поставят априорно вероятностно разпределение върху правилата и ги оценяват по тяхната апостериорна вероятност, дадена от данните. Вместо да се използват прагове за сурови стойности на поддръжка и достоверност, тази Бейсова рамка естествено наказва сложността, коригира за множество сравнения и произвежда калибрирани вероятностни сили на правилата в транзакционни или категорийни набори от данни.
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
- Heckerman, D., Geiger, D., & Chickering, D. M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20(3), 197–243. DOI: 10.1007/BF00994016 ↗
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 1215, 487–499. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/bg/machine-learning/bayesian-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.
- Алгоритъм AprioriМашинно обучение↔ compare
- Правила за асоциацияМашинно обучение↔ compare
- Байесов модел на Гаусови смесиМашинно обучение↔ compare
- Байесов наивен БейсМашинно 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 →