Κανόνες Συσχέτισης Ενεργού Μάθησης
Οι κανόνες συσχέτισης ενεργού μάθησης συνδυάζουν τον επαναληπτικό βρόχο ερωτήσεων-ετικετών της ενεργού μάθησης με την εξόρυξη κανόνων συσχέτισης, επιτρέποντας σε έναν ανθρώπινο εμπειρογνώμονα να καθοδηγήσει διαδραστικά τη διαδικασία ανακάλυψης. Αντί να απαριθμεί εξαντλητικά όλους τους κανόνες πάνω από ένα σταθερό όριο υποστήριξης-εμπιστοσύνης, το σύστημα επιλέγει τους πιο πληροφοριακούς υποψήφιους κανόνες και ζητά από τον χρήστη να κρίνει το ενδιαφέρον τους, εστιάζοντας την αναζήτηση σε υποκειμενικά χρήσιμα μοτίβα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/el/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.
- Ενεργή ΜάθησηΜηχανική Μάθηση↔ compare
- Αλγόριθμος AprioriΜηχανική Μάθηση↔ compare
- Κανόνες ΣυσχέτισηςΜηχανική Μάθηση↔ compare
- FP-Growth (Ανάπτυξη Συχνών Μοτίβων)Μηχανική Μάθηση↔ compare
- Semi-supervised Association RulesΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →