Règles d'association par apprentissage actif
Les règles d'association par apprentissage actif combinent la boucle itérative de requête et d'étiquetage de l'apprentissage actif avec l'extraction de règles d'association, permettant à un expert humain de guider le processus de découverte de manière interactive. Au lieu d'énumérer exhaustivement toutes les règles au-dessus d'un seuil fixe de support-confiance, le système sélectionne les candidats de règles les plus informatifs et demande à l'utilisateur de juger de leur intérêt, concentrant la recherche sur des motifs subjectivement utiles.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/fr/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.
- Apprentissage actifApprentissage automatique↔ compare
- Algorithme AprioriApprentissage automatique↔ compare
- Règles d'associationApprentissage automatique↔ compare
- FP-Growth (Frequent Pattern Growth)Apprentissage automatique↔ compare
- Règles d'association semi-superviséesApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →