Ensemble Association Rules
Ensemble Association Rules soveltaa ensemble-oppimisen periaatteita assosiaatiosääntöjen louhintaan: useita sääntöjoukkoja löydetään eri dataosajoukkoista tai vaihtelevilla parametreilla, minkä jälkeen ne yhdistetään ja painotetaan vakaamman ja kattavamman yhteisesiintymiskuvioiden joukon tuottamiseksi. Lähestymistapa vähentää herkkyyttä tukikynnys- ja luottamuskynnysvalinnoille ja parantaa robustisuutta kohinaisessa transaktiodatassa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Domingos, P. (1999). MetaCost: A general method for making classifiers cost-sensitive. Proceedings of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 155–164. link ↗
- Rymon, R. (1992). Search through systematic set enumeration. Proceedings of the 3rd International Conference on Principles of Knowledge Representation and Reasoning, 539–550. — foundational work on systematic enumeration used in ensemble aggregation of frequent itemsets. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/fi/machine-learning/ensemble-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
- Bagging (Bootstrap Aggregating)Koneoppiminen↔ compare
- BoostingKoneoppiminen↔ compare
- FP-Growth (Frequent Pattern Growth)Koneoppiminen↔ compare
- Ääniennuste (Voting Ensemble)Koneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →