Ensemble-Assoziationsregeln
Ensemble-Assoziationsregeln wendet Prinzipien des Ensemble-Learnings auf das Mining von Assoziationsregeln an: Mehrere Regelsätze werden aus verschiedenen Datenteilmengen oder mit variierten Parametern entdeckt, dann zusammengeführt und gewichtet, um einen stabileren und vollständigeren Satz von Kookkurrenzmuster zu erzeugen. Der Ansatz reduziert die Empfindlichkeit gegenüber Wahl von Support- und Konfidenzschwellenwerten und verbessert die Robustheit bei verrauschten Transaktionsdaten.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/de/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.
- Apriori-AlgorithmusMaschinelles Lernen↔ compare
- AssoziationsregelnMaschinelles Lernen↔ compare
- Bagging (Bootstrap Aggregating)Maschinelles Lernen↔ compare
- BoostingMaschinelles Lernen↔ compare
- FP-Growth (Frequent Pattern Growth)Maschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →