Reglas de Asociación Explicables
Las Reglas de Asociación Explicables aprovechan la estructura intrínsecamente simbólica, de tipo si-entonces, de la minería de reglas de asociación para proporcionar explicaciones legibles por humanos de patrones de datos o decisiones de modelos de caja negra. Dado que cada regla declara explícitamente su antecedente y consecuente junto con el soporte, la confianza y el aumento (lift), las salidas son nativamente interpretables sin requerir un sustituto secundario post-hoc.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/es/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.
- Algoritmo AprioriAprendizaje automático↔ compare
- Reglas de asociaciónAprendizaje automático↔ compare
- Árbol de Decisión ExplicableAprendizaje automático↔ compare
- Naive Bayes ExplicableAprendizaje automático↔ compare
- Random Forest ExplicableAprendizaje automático↔ compare
- FP-Growth (Frequent Pattern Growth)Aprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →