Explainable Association Rules
Explainable Association Rules využívají inherentně symbolickou strukturu pravidel typu „pokud-pak“ (if-then) při těžbě asociací k poskytování lidsky čitelných vysvětlení datových vzorců nebo rozhodnutí „černých skříněk“. Jelikož každé pravidlo explicitně uvádí svou předsádku (antecedent) a následník (konsekvent) spolu s mírami podpory (support), důvěry (confidence) a zvýšení (lift), jsou výstupy nativně interpretovatelné bez nutnosti sekundárního post-hoc surrogátu.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/cs/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.
- Algoritmus AprioriStrojové učení↔ compare
- Asociační pravidlaStrojové učení↔ compare
- Vysvětlitelný rozhodovací stromStrojové učení↔ compare
- Vysvětlitelný Naive BayesStrojové učení↔ compare
- Vysvětlitelný náhodný lesStrojové učení↔ compare
- FP-Růst (Růst častých vzorů)Strojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →