Regole di Associazione Spiegabili
Le Regole di Associazione Spiegabili sfruttano la struttura intrinsecamente simbolica, se-allora, del mining di regole di associazione per fornire spiegazioni leggibili dall'uomo di pattern nei dati o decisioni di modelli black-box. Poiché ogni regola dichiara esplicitamente il suo antecedente e conseguente insieme a supporto, confidenza e lift, gli output sono nativamente interpretabili senza richiedere un surrogato post-hoc secondario.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/it/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.
- Algoritmo AprioriApprendimento automatico↔ compare
- Regole di associazioneApprendimento automatico↔ compare
- Albero Decisionale SpiegabileApprendimento automatico↔ compare
- Naive Bayes SpiegabileApprendimento automatico↔ compare
- Foresta Casuale SpiegabileApprendimento automatico↔ compare
- FP-Growth (Frequent Pattern Growth)Apprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →