Regole di Associazione d'Insieme
Le Regole di Associazione d'Insieme applicano i principi dell'apprendimento d'insieme al mining di regole di associazione: vengono scoperti set di regole multipli da diversi sottoinsiemi di dati o con parametri variati, quindi fusi e pesati per produrre un set di pattern di co-occorrenza più stabile e completo. L'approccio riduce la sensibilità alle scelte delle soglie di supporto e confidenza e migliora la robustezza su dati transazionali rumorosi.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/it/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.
- Algoritmo AprioriApprendimento automatico↔ compare
- Regole di associazioneApprendimento automatico↔ compare
- Bagging (Bootstrap Aggregating)Apprendimento automatico↔ compare
- BoostingApprendimento automatico↔ compare
- FP-Growth (Frequent Pattern Growth)Apprendimento automatico↔ compare
- Ensemble a votazioneApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →