Beijiešu asociācijas likumi
Beijiešu asociācijas likumi paplašina klasisko asociācijas likumu ieguvi, piešķirot iepriekšēju varbūtības sadalījumu likumiem un novērtējot tos pēc to posteriorās varbūtības, ņemot vērā datus. Beijiešu sistēma, nevis sliekšņojot pēc neapstrādātiem atbalsta un ticamības skaitļiem, dabiski sodīs sarežģītību, koriģēs par vairākkārtēju salīdzināšanu un radīs kalibrētas, probabilistiskas likumu stiprības transakciju vai kategorisku datu kopās.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/lv/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.
- Apriori algoritmsMašīnmācīšanās↔ compare
- Asociācijas likumiMašīnmācīšanās↔ compare
- Beiziešu Gausa maisījuma modelisMašīnmācīšanās↔ compare
- Bayesiešu Naīvais BayesMašīnmācīšanās↔ compare
- FP-Growth (biežo kopu augšana)Mašīnmācīšanās↔ compare
- Pusuzraudzīti asociācijas likumiMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →