Pravidla asociací v ansámblu
Pravidla asociací v ansámblu aplikují principy ansámblového učení na těžbu pravidel asociací: více sad pravidel je objeveno z různých podvzorků dat nebo s různými parametry, poté jsou sloučeny a zváženy, aby se vytvořila stabilnější a kompletnější sada vzorců ko-výskytu. Tento přístup snižuje citlivost na volbu prahových hodnot podpory a spolehlivosti a zlepšuje robustnost na šumových transakčních datech.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Domingos, P. (1999). MetaCost: A general method for making classifiers cost-sensitive. Proceedings of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 155–164. link ↗
- Rymon, R. (1992). Search through systematic set enumeration. Proceedings of the 3rd International Conference on Principles of Knowledge Representation and Reasoning, 539–550. — foundational work on systematic enumeration used in ensemble aggregation of frequent itemsets. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/cs/machine-learning/ensemble-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.
- Algoritmus AprioriStrojové učení↔ compare
- Asociační pravidlaStrojové učení↔ compare
- Bagging (Bootstrap Aggregating)Strojové učení↔ compare
- ZesilováníStrojové učení↔ compare
- FP-Růst (Růst častých vzorů)Strojové učení↔ compare
- Hlasovací ansámblStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →