Règles d'association explicables
Les règles d'association explicables exploitent la structure symbolique intrinsèque, de type si-alors, de l'extraction de règles d'association pour fournir des explications lisibles par l'homme des motifs de données ou des décisions de modèles boîte noire. Étant donné que chaque règle énonce explicitement son antécédent et son conséquent, ainsi que le support, la confiance et le lift, les sorties sont nativement interprétables sans nécessiter de substitut secondaire post-hoc.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/fr/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.
- Algorithme AprioriApprentissage automatique↔ compare
- Règles d'associationApprentissage automatique↔ compare
- Arbre de décision explicableApprentissage automatique↔ compare
- Naïve Bayes ExplicableApprentissage automatique↔ compare
- Forêt Aléatoire ExplicableApprentissage automatique↔ compare
- FP-Growth (Frequent Pattern Growth)Apprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →