Selitettävät assosiaatiosäännöt
Selitettävät assosiaatiosäännöt hyödyntävät assosiaatiosääntöjen louhinnan luonnostaan symbolista, jos-niin-rakennetta tarjotakseen ihmisluettavia selityksiä datamalleille tai mustan laatikon mallien päätöksille. Koska jokainen sääntö ilmoittaa nimenomaisesti etu- ja seuraamuksensa sekä tuen, luottamuksen ja nosteen, tulokset ovat natiivisti tulkittavissa ilman toissijaista jälkikäteistä korviketta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/fi/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.
- Apriori-algoritmiKoneoppiminen↔ compare
- AssosiaatiosäännötKoneoppiminen↔ compare
- Selitettävä päätöspuuKoneoppiminen↔ compare
- Selitettävä Naive BayesKoneoppiminen↔ compare
- Selitettävä Random ForestKoneoppiminen↔ compare
- FP-Growth (Frequent Pattern Growth)Koneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →