Обясними правила за асоциации
Обяснимите правила за асоциации използват присъщата символна структура „ако-тогава“ на извличането на правила за асоциации, за да предоставят разбираеми за човека обяснения на модели в данни или решения на „черни кутии“. Тъй като всяко правило изрично посочва своя предпоставка и следствие заедно с подкрепа, увереност и повдигане, изходите са естествено интерпретируеми, без да се изисква вторично пост-хок заместващо обяснение.
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
- Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207–216. DOI: 10.1145/170035.170072 ↗
- Murdoch, W. J., Singh, C., Kumbier, K., Abbasi-Asl, R., & Yu, B. (2019). Definitions, methods, and applications in interpretable machine learning. Proceedings of the National Academy of Sciences, 116(44), 22071–22080. DOI: 10.1073/pnas.1900654116 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/bg/machine-learning/explainable-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
- Обясним дърво на решениятаМашинно обучение↔ compare
- Обясним Наивен БейсМашинно обучение↔ compare
- Обясним случаен лесМашинно обучение↔ compare
- FP-Growth (Често срещани модели)Машинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →