Skaidrojamie asociācijas likumi
Skaidrojamie asociācijas likumi izmanto asociācijas likumu ieguves (association rule mining) inherently simbolisko, ja-tad (if-then) struktūru, lai sniegtu cilvēkiem saprotamas skaidrojumus par datu modeļiem vai "melnās kastes" modeļu lēmumiem. Tā kā katrs likums skaidri norāda savu priekšnoteikumu (antecedent) un sekas (consequent) kopā ar atbalstu (support), ticamību (confidence) un pacēlumu (lift), izvade ir dabiski interpretējama, neprasot sekundāru pēcpasākumu (post-hoc) aizstājēju.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/lv/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.
- Apriori algoritmsMašīnmācīšanās↔ compare
- Asociācijas likumiMašīnmācīšanās↔ compare
- Skaidrojams lēmumu koksMašīnmācīšanās↔ compare
- Skaidrojams Naive BayesMašīnmācīšanās↔ compare
- Skaidrojams nejaušs mežsMašīnmācīšanās↔ compare
- FP-Growth (biežo kopu augšana)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →