Regole di Associazione Bayesiane
Le Regole di Associazione Bayesiane estendono il mining classico delle regole di associazione ponendo una distribuzione di probabilità a priori sulle regole e valutandole in base alla loro probabilità a posteriori dati i dati. Piuttosto che sogliare sui conteggi grezzi di supporto e confidenza, questo quadro bayesiano penalizza naturalmente la complessità, corregge per confronti multipli e produce punti di forza probabilistici calibrati delle regole su set di dati transazionali o categorici.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Heckerman, D., Geiger, D., & Chickering, D. M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20(3), 197–243. DOI: 10.1007/BF00994016 ↗
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 1215, 487–499. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/it/machine-learning/bayesian-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.
- Algoritmo AprioriApprendimento automatico↔ compare
- Regole di associazioneApprendimento automatico↔ compare
- Modello Bayesiano a Mischia di GaussianeApprendimento automatico↔ compare
- Naive Bayes BayesianoApprendimento automatico↔ compare
- FP-Growth (Frequent Pattern Growth)Apprendimento automatico↔ compare
- Regole di associazione semi-supervisionateApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →