Explainable Association Rules
Explainable Association Rules nutzt die inhärente symbolische Wenn-Dann-Struktur des Association Rule Mining, um für Menschen lesbare Erklärungen von Datenmustern oder Black-Box-Modellentscheidungen zu liefern. Da jede Regel ihren Antezedens und Konsequens explizit zusammen mit Support, Konfidenz und Lift angibt, sind die Ausgaben nativ interpretierbar, ohne dass eine sekundäre nachträgliche Surrogatmethode erforderlich ist.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/de/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.
- Apriori-AlgorithmusMaschinelles Lernen↔ compare
- AssoziationsregelnMaschinelles Lernen↔ compare
- Erklärbarer EntscheidungsbaumMaschinelles Lernen↔ compare
- Erklärbarer Naive BayesMaschinelles Lernen↔ compare
- Erklärbarer ZufallswaldMaschinelles Lernen↔ compare
- FP-Growth (Frequent Pattern Growth)Maschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →