Ensemble Association Rules
Az Ensemble Association Rules (Ensemble társítási szabályok) az ensemble learning elveit alkalmazza a társítási szabályok bányászatára: több szabályhalmazt fedeznek fel különböző adat-almintákból vagy változó paraméterekkel, majd ezeket egyesítik és súlyozzák, hogy egy stabilabb és teljesebb együttes előfordulási mintázatot hozzanak létre. A megközelítés csökkenti az érzékenységet a support és a konfidencia küszöbértékek megválasztására, és javítja a robusztusságot zajos tranzakciós adatokon.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Domingos, P. (1999). MetaCost: A general method for making classifiers cost-sensitive. Proceedings of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 155–164. link ↗
- Rymon, R. (1992). Search through systematic set enumeration. Proceedings of the 3rd International Conference on Principles of Knowledge Representation and Reasoning, 539–550. — foundational work on systematic enumeration used in ensemble aggregation of frequent itemsets. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/hu/machine-learning/ensemble-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.
- Apriori algoritmusGépi tanulás↔ compare
- Asszociációs szabályokGépi tanulás↔ compare
- Bagging (Bootstrap Aggregating)Gépi tanulás↔ compare
- BoostingGépi tanulás↔ compare
- FP-Growth (Frequent Pattern Growth)Gépi tanulás↔ compare
- Voting EnsembleGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →