Pravila udruživanja aktivnog učenja
Pravila udruživanja aktivnog učenja kombiniraju iterativni petlju upita i označavanja aktivnog učenja s rudarenjem pravila udruživanja, dopuštajući ljudskom stručnjaku da interaktivno vodi proces otkrivanja. Umjesto iscrpnog nabrajanja svih pravila iznad fiksiranog praga potpore-pouzdanosti, sustav odabire najinformativnije kandidate za pravila i traži od korisnika da procijeni njihovu zanimljivost, fokusirajući pretragu na subjektivno korisne obrasce.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/hr/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.
- Aktivno učenjeStrojno učenje↔ compare
- Algoritam AprioriStrojno učenje↔ compare
- Pravila udruživanjaStrojno učenje↔ compare
- FP-Rast (Rast čestih obrazaca)Strojno učenje↔ compare
- Polu-nadgledana rudarenja asocijativnih pravilaStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →