Bayesian Association Rules
Bayesian Association Rules erweitern das klassische Mining von Assoziationsregeln, indem sie eine A-priori-Wahrscheinlichkeitsverteilung über Regeln legen und diese anhand ihrer A-posteriori-Wahrscheinlichkeit gegeben die Daten bewerten. Anstatt auf rohe Support- und Konfidenzzählungen zu schwellen, bestraft dieses Bayes'sche Framework auf natürliche Weise Komplexität, korrigiert für multiple Vergleiche und liefert kalibrierte probabilistische Regelstärken über transaktionale oder kategoriale Datensätze hinweg.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/de/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.
- Apriori-AlgorithmusMaschinelles Lernen↔ compare
- AssoziationsregelnMaschinelles Lernen↔ compare
- Bayessches Gaußsches MischmodellMaschinelles Lernen↔ compare
- Bayesian Naive BayesMaschinelles Lernen↔ compare
- FP-Growth (Frequent Pattern Growth)Maschinelles Lernen↔ compare
- Halbüberwachte AssoziationsregelnMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →