Bayesiläiset assosiaatiosäännöt
Bayesiläiset assosiaatiosäännöt laajentavat klassisia assosiaatiosääntöjen louhintamenetelmiä asettamalla priorijakauman säännöille ja pisteyttämällä ne datan perusteella laskettavalla posterioritodennäköisyydellä. Sen sijaan, että turvauduttaisiin raakoihin tukija- ja luottamuslukemiin, tämä Bayesiläinen viitekehys rankaisee luonnostaan monimutkaisuutta, korjaa monivertailuja ja tuottaa kalibroituja todennäköisyyspohjaisia sääntöjen vahvuuksia transaktio- tai kategorisille aineistoille.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/fi/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.
- Apriori-algoritmiKoneoppiminen↔ compare
- AssosiaatiosäännötKoneoppiminen↔ compare
- Bayesiläinen Gaussinen sekoitusmalliKoneoppiminen↔ compare
- Bayesian Naive BayesKoneoppiminen↔ compare
- FP-Growth (Frequent Pattern Growth)Koneoppiminen↔ compare
- Puoliohjautuva assosiaatiosääntöjen louhintaKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →