FP-Growth explicable
FP-Growth explicable augmente l'algorithme classique d'extraction de motifs fréquents FP-Growth avec des outils d'interprétabilité post-hoc — tels que des scores d'importance des règles, des arbres de motifs visuels et des explications contrefactuelles — afin que les analystes puissent non seulement découvrir des itemsets fréquents et des règles d'association, mais aussi comprendre pourquoi des motifs spécifiques sont importants, quels éléments déterminent la confiance des règles et comment communiquer les résultats de manière transparente aux parties prenantes.
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
- Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. ACM SIGMOD Record, 29(2), 1–12. DOI: 10.1145/335191.335372 ↗
- Association rule learning. Wikipedia. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Frequent Pattern Growth (XAI-Augmented FP-Growth). ScholarGate. https://scholargate.app/fr/machine-learning/explainable-fp-growth
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
- Règles d'association explicablesApprentissage automatique↔ compare
- FP-Growth (Frequent Pattern Growth)Apprentissage automatique↔ compare
- FP-croissance semi-superviséApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →