Règles d'association bayésiennes
Les règles d'association bayésiennes étendent l'exploration des règles d'association classiques en plaçant une distribution de probabilité a priori sur les règles et en les classant selon leur probabilité a posteriori étant donné les données. Plutôt que de seuiller sur les comptes bruts de support et de confiance, ce cadre bayésien pénalise naturellement la complexité, corrige les comparaisons multiples et produit des forces de règles probabilistes calibrées sur des ensembles de données transactionnelles ou catégorielles.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/fr/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.
- Algorithme AprioriApprentissage automatique↔ compare
- Règles d'associationApprentissage automatique↔ compare
- Modèle Bayésien de Mélange GaussienApprentissage automatique↔ compare
- Classificateur Naive Bayes bayésienApprentissage 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 →