Bayesova pravila pridruživanja
Bayesova pravila pridruživanja proširuju klasično rudarenje pravilima pridruživanja postavljanjem prethodne distribucije vjerojatnosti na pravila i bodovanjem istih prema njihovoj naknadnoj vjerojatnosti s obzirom na podatke. Umjesto pragovanja na sirovim brojevima podrške i pouzdanosti, ovaj Bayesov okvir prirodno kažnjava složenost, ispravlja višestruke usporedbe i proizvodi kalibrirane probabilističke jačine pravila u transakcijskim ili kategoričkim skupovima podataka.
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
- Heckerman, D., Geiger, D., & Chickering, D. M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20(3), 197–243. DOI: 10.1007/BF00994016 ↗
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 1215, 487–499. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/hr/machine-learning/bayesian-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.
- Algoritam AprioriStrojno učenje↔ compare
- Pravila udruživanjaStrojno učenje↔ compare
- Bayesov model Gaussovih smjesaStrojno učenje↔ compare
- Bayesian Naive BayesStrojno 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 →