قواعد وابستگی قابل توضیح (Explainable Association Rules)
قواعد وابستگی قابل توضیح با بهرهگیری از ساختار ذاتاً نمادین «اگر-آنگاه» در استخراج قواعد وابستگی، توضیحات قابل فهم برای انسان از الگوهای داده یا تصمیمات مدلهای جعبه سیاه را ارائه میدهد. از آنجایی که هر قاعده، مقدم (antecedent) و تالی (consequent) خود را به همراه معیارهای پشتیبانی (support)، اطمینان (confidence) و بالابری (lift) به صراحت بیان میکند، خروجیها ذاتاً قابل تفسیر هستند و نیازی به روش ثانویه پسینی (post-hoc surrogate) ندارند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/fa/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.
- الگوریتم Aprioriیادگیری ماشین↔ compare
- قواعد وابستگییادگیری ماشین↔ compare
- درخت تصمیمِ قابلتفسیریادگیری ماشین↔ compare
- نِییو بِییزِ قابل توضیح (Explainable Naive Bayes)یادگیری ماشین↔ compare
- جنگل تصادفی قابل توضیح (Explainable Random Forest - XRF)یادگیری ماشین↔ compare
- FP-Growth (رشد الگوی پرتکرار)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →