Reglas de Asociación Bayesianas
Las Reglas de Asociación Bayesianas extienden la minería clásica de reglas de asociación al colocar una distribución de probabilidad a priori sobre las reglas y puntuarlas por su probabilidad a posteriori dados los datos. En lugar de aplicar umbrales a los recuentos brutos de soporte y confianza, este marco bayesiano penaliza naturalmente la complejidad, corrige las comparaciones múltiples y produce fortalezas de reglas probabilísticas calibradas en conjuntos de datos transaccionales o categóricos.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/es/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.
- Algoritmo AprioriAprendizaje automático↔ compare
- Reglas de asociaciónAprendizaje automático↔ compare
- Modelo Bayesiano de Mezclas GaussianasAprendizaje automático↔ compare
- Naive Bayes BayesianoAprendizaje automático↔ compare
- FP-Growth (Frequent Pattern Growth)Aprendizaje automático↔ compare
- Reglas de Asociación Semi-supervisadasAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →