Objašnjiva pravila udruživanja
Objašnjiva pravila udruživanja (Explainable Association Rules) koriste inherentno simboličku, ako-onda strukturu rudarenja pravila udruživanja kako bi pružila ljudima čitljiva objašnjenja obrazaca u podacima ili odluka crne kutije (black-box model). Budući da svako pravilo eksplicitno navodi svoj antecedent i konsekvent zajedno s potporom (support), pouzdanošću (confidence) i pojačanjem (lift), izlazi su izvorno interpretativni bez potrebe za sekundarnim naknadnim (post-hoc) nadomjestkom.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/hr/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.
- Algoritam AprioriStrojno učenje↔ compare
- Pravila udruživanjaStrojno učenje↔ compare
- Objašnjivo stablo odlučivanjaStrojno učenje↔ compare
- Objašnjivi Naivni BayesStrojno učenje↔ compare
- Explainable Random ForestStrojno učenje↔ compare
- FP-Rast (Rast čestih obrazaca)Strojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →