Règles d'association d'ensemble
Les règles d'association d'ensemble appliquent les principes de l'apprentissage d'ensemble à l'extraction de règles d'association : plusieurs ensembles de règles sont découverts à partir de sous-échantillons de données différents ou avec des paramètres variés, puis fusionnés et pondérés pour produire un ensemble plus stable et complet de motifs de co-occurrence. L'approche réduit la sensibilité aux choix des seuils de support et de confiance et améliore la robustesse sur des données transactionnelles bruitées.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/fr/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.
- Algorithme AprioriApprentissage automatique↔ compare
- Règles d'associationApprentissage automatique↔ compare
- Bagging (Bootstrap Aggregating)Apprentissage automatique↔ compare
- BoostingApprentissage automatique↔ compare
- FP-Growth (Frequent Pattern Growth)Apprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →