Aktív tanulás asszociációs szabályok
Az aktív tanulás asszociációs szabályok ötvözik az aktív tanulás iteratív lekérdezés-és-címkézés ciklusát az asszociációs szabálybányászattal, lehetővé téve egy emberi szakértő számára, hogy interaktívan irányítsa a felfedezési folyamatot. Ahelyett, hogy kimerítően felsorolna minden szabályt egy rögzített támogatottság-bizalom küszöb felett, a rendszer kiválasztja a leginformatívabb szabályjelölteket, és megkéri a felhasználót, hogy ítélje meg azok érdekességét, a keresést a szubjektíven hasznos mintákra összpontosítva.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/hu/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.
- Aktív tanulásGépi tanulás↔ compare
- Apriori algoritmusGépi tanulás↔ compare
- Asszociációs szabályokGépi tanulás↔ compare
- FP-Growth (Frequent Pattern Growth)Gépi tanulás↔ compare
- Félfelügyelt Asszociációs SzabályokGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →