Aturan Asosiasi Pembelajaran Aktif
Aturan asosiasi pembelajaran aktif menggabungkan putaran kueri dan pelabelan iteratif dari pembelajaran aktif dengan penambangan aturan asosiasi, memungkinkan pakar manusia untuk memandu proses penemuan secara interaktif. Alih-alih menghitung semua aturan secara menyeluruh di atas ambang batas dukungan-kepercayaan yang tetap, sistem memilih kandidat aturan yang paling informatif dan meminta pengguna untuk menilai daya tariknya, memfokuskan pencarian pada pola yang berguna secara subjektif.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/id/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.
- Pembelajaran AktifPembelajaran Mesin↔ compare
- Algoritma AprioriPembelajaran Mesin↔ compare
- Aturan AsosiasiPembelajaran Mesin↔ compare
- FP-Growth (Pertumbuhan Pola Frekuen)Pembelajaran Mesin↔ compare
- Semi-supervised Association RulesPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →