Semi-supervised Association Rule Mining
Η τυπική εξόρυξη κανόνων συσχέτισης βρίσκει όλα τα συχνά πρότυπα συν-εμφάνισης χωρίς καμία αίσθηση του τι έχει σημασία. Οι ημι-επιβλεπόμενοι κανόνες συσχέτισης αλλάζουν αυτό επιτρέποντας σε ένα μικρό σύνολο επισημασμένων παραδειγμάτων ή περιορισμών πεδίου να κατευθύνουν την αναζήτηση: προτιμώνται κανόνες που ευθυγραμμίζονται με την γνωστή δομή κλάσης έναντι στατιστικά συχνών αλλά ασήμαντων κανόνων. Σκεφτείτε το σαν να δίνετε στον αλγόριθμο μερικές υποδείξεις για το τι ενδιαφέρει τον αναλυτή, ώστε να σταματήσει να εμφανίζει τετριμμένα ή ήδη γνωστά πρότυπα και αντ' αυτού να επισημαίνει γνήσια νέα, εφαρμόσιμα πρότυπα. Το αποτέλεσμα συνδυάζει το εύρος της μη επιβλεπόμενης ανακάλυψης προτύπων με αρκετή καθοδήγηση για να διατηρήσει τα αποτελέσματα σχετικά.
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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Semi-supervised Association Rule Mining. ScholarGate. https://scholargate.app/el/machine-learning/semi-supervised-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.
- Αλγόριθμος AprioriΜηχανική Μάθηση↔ compare
- FP-Growth (Ανάπτυξη Συχνών Μοτίβων)Μηχανική Μάθηση↔ compare
- Διάδοση ΕτικετώνΜηχανική Μάθηση↔ compare
- Ημι-επιβλεπόμενη ΜάθησηΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →