Magyarázható Asszociációs Szabályok
A Magyarázható Asszociációs Szabályok (Explainable Association Rules) az asszociációs szabánymining inherent szimbolikus, ha-akkor szerkezetét használja fel az adatmintázatok vagy a fekete doboz modellek döntéseinek ember által olvasható magyarázatára. Mivel minden szabály explicit módon kimondja az előzményét (antecedent) és következményét (consequent) a támogatottság (support), konfidencia (confidence) és emelés (lift) mutatókkal együtt, az eredmények natívan értelmezhetők anélkül, hogy másodlagos, utólagos helyettesítő (surrogate) modellre lenne szükség.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/hu/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.
- Apriori algoritmusGépi tanulás↔ compare
- Asszociációs szabályokGépi tanulás↔ compare
- Áttekinthető döntési faGépi tanulás↔ compare
- Magyarázható Naiv BayesGépi tanulás↔ compare
- Magyarázható Random ForestGépi tanulás↔ compare
- FP-Growth (Frequent Pattern Growth)Gépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →