Aktive lærings-associationsregler
Aktive lærings-associationsregler kombinerer den iterative forespørgsels- og mærkningssløjfe fra aktiv læring med associationsregelminering, hvilket gør det muligt for en menneskelig ekspert interaktivt at styre opdagelsesprocessen. I stedet for udtømmende at opregne alle regler over en fast tærskel for support og konfidens, udvælger systemet de mest informative regelkandidater og beder brugeren om at vurdere deres "interessanthed", hvilket fokuserer søgningen på subjektivt nyttige mønstre.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/da/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.
- Aktiv læringMaskinlæring↔ compare
- Apriori AlgoritmenMaskinlæring↔ compare
- AssocieringsreglerMaskinlæring↔ compare
- FP-Growth (Frequent Pattern Growth)Maskinlæring↔ compare
- Semiovervågede associationsreglerMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →