Aturan Asosiasi yang Dapat Dijelaskan
Aturan Asosiasi yang Dapat Dijelaskan memanfaatkan struktur simbolik yang melekat, struktur jika-maka dari penambangan aturan asosiasi untuk memberikan penjelasan yang dapat dibaca manusia tentang pola data atau keputusan model kotak hitam. Karena setiap aturan secara eksplisit menyatakan anteseden dan konsekuennya bersama dengan dukungan, kepercayaan, dan peningkatan, keluarannya secara inheren dapat ditafsirkan tanpa memerlukan pengganti pasca-hoc sekunder.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/id/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.
- Algoritma AprioriPembelajaran Mesin↔ compare
- Aturan AsosiasiPembelajaran Mesin↔ compare
- Pohon Keputusan yang Dapat DijelaskanPembelajaran Mesin↔ compare
- Naive Bayes yang Dapat DijelaskanPembelajaran Mesin↔ compare
- Random Forest yang Dapat DijelaskanPembelajaran Mesin↔ compare
- FP-Growth (Pertumbuhan Pola Frekuen)Pembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →