כללי כללי אסוציאציה למידה פעילה
כללי אסוציאציה למידה פעילה משלבים את לולאת השאילתה והתיוג האיטרטיבית של למידה פעילה עם כריית כללי אסוציאציה, ומאפשרים למומחה אנושי להנחות את תהליך הגילוי באופן אינטראקטיבי. במקום למנות באופן ממצה את כל הכללים מעל סף תמיכה-ביטחון קבוע, המערכת בוחרת את מועמדי הכללים האינפורמטיביים ביותר ומבקשת מהמשתמש לשפוט את עניינם, תוך התמקדות החיפוש בדפוסים שימושיים סובייקטיבית.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/he/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.
- למידה פעילהלמידת מכונה↔ compare
- אלגוריתם Aprioriלמידת מכונה↔ compare
- כללי אסוציאציהלמידת מכונה↔ compare
- FP-Growth (גידול דפוסים תדירים)למידת מכונה↔ compare
- כריה של כללי אסוציאציה במודרכות-למחצה (Semi-supervised Association Rules)למידת מכונה↔ compare