Aktīvās apguves asociācijas likumi
Aktīvās apguves asociācijas likumi apvieno aktīvās apguves iteratīvo vaicājumu un marķēšanas ciklu ar asociācijas likumu ieguvi, ļaujot cilvēkam ekspertam interaktīvi vadīt atklāšanas procesu. Tā vietā, lai izsmeļoši uzskaitītu visus likumus, kas pārsniedz noteiktu atbalsta-paļāvības slieksni, sistēma izvēlas informatīvākos kandidātlīkumu pretendentus un lūdz lietotāju novērtēt to interesantumu, fokusējot meklēšanu uz subjektīvi noderīgiem modeļiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/lv/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.
- Aktīvā mācīšanāsMašīnmācīšanās↔ compare
- Apriori algoritmsMašīnmācīšanās↔ compare
- Asociācijas likumiMašīnmācīšanās↔ compare
- FP-Growth (biežo kopu augšana)Mašīnmācīšanās↔ compare
- Pusuzraudzīti asociācijas likumiMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →