Machine learningMachine learning

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.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

The neighbourhood of related methods — select a node to explore.

Fuentes

  1. 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
  2. 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.

Compare side by side

Citado por

ScholarGateExplainable Association Rules (Explainable Association Rules Mining). Recuperado el 2026-06-15 de https://scholargate.app/es/machine-learning/explainable-association-rules · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026