Aktiivõppe assotsatsioonireeglid
Aktiivõppe assotsatsioonireeglid ühendavad aktiivõppe iteratiivse päringu- ja märgistamise tsükli assotsatsioonireeglite kaevandamisega, võimaldades inimspetsialistil avastusprotsessi interaktiivselt juhtida. Selle asemel, et ammendavalt loetleda kõik reeglid üle fikseeritud toetus-usaldusläve, valib süsteem kõige informatiivsemad reeglikandidaadid ja palub kasutajal hinnata nende huvipakkuvust, keskendades otsingu subjektiivselt kasulikele mustritele.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/et/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.
- Aktiivne õppimineMasinõpe↔ compare
- Apriori algoritmMasinõpe↔ compare
- AssotsiatsioonireeglidMasinõpe↔ compare
- FP-Growth (Frequent Pattern Growth)Masinõpe↔ compare
- Poolitatud järeldusreeglidMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →