כללי אסוציאציות ניתנים להסבר
כללי אסוציאציות ניתנים להסבר ממנפים את המבנה הסמלי, של 'אם-אז', הטבוע בכריית כללי אסוציאציות, כדי לספק הסברים קריאים לבני אדם לדפוסי נתונים או להחלטות של מודלים מסוג 'קופסה שחורה'. מכיוון שכל כלל מפרט במפורש את התנאי המקדים (antecedent) והתוצאה (consequent) שלו, יחד עם מדדי תמיכה (support), מהימנות (confidence) והגברה (lift), הפלטים ניתנים לפירוש באופן טבעי ללא צורך במנגנון משלים של דגם חלופי (surrogate) לאחר הכרייה.
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
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/he/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.
- אלגוריתם Aprioriלמידת מכונה↔ compare
- כללי אסוציאציהלמידת מכונה↔ compare
- עץ החלטה ניתן להסברלמידת מכונה↔ compare
- מודל Naive Bayes בר-הסברלמידת מכונה↔ compare
- יער אקראי מוסבר (Explainable Random Forest - XRF)למידת מכונה↔ compare
- FP-Growth (גידול דפוסים תדירים)למידת מכונה↔ compare