Machine learningMachine learning
アクティブラーニング相関ルール
アクティブラーニング相関ルールは、アクティブラーニングの反復的なクエリとラベル付けのループを相関ルールマイニングと組み合わせることで、人間の専門家が発見プロセスを対話的にガイドできるようにします。固定されたサポート・信頼度閾値を超えるすべてのルールを網羅的に列挙する代わりに、システムは最も情報量の多い候補ルールを選択し、主観的に有用なパターンに焦点を当てた検索を行うために、ユーザーにその興味深さを判断するように求めます。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/ja/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.
- アクティブラーニング機械学習↔ compare
- Aprioriアルゴリズム機械学習↔ compare
- アソシエーションルール機械学習↔ compare
- FP成長 (頻出パターン成長)機械学習↔ compare
- 半教師あり連想規則機械学習↔ compare