Aturan Perkaitan Boleh Jelas
Aturan Perkaitan Boleh Jelas memanfaatkan struktur simbolik, jika-maka yang sedia ada dalam perlombongan aturan perkaitan untuk menyediakan penjelasan yang boleh dibaca manusia tentang corak data atau keputusan model kotak hitam. Oleh sebab setiap aturan secara eksplisit menyatakan anteseden dan konsekuennya bersama-sama dengan sokongan, keyakinan, dan angkat, outputnya boleh ditafsirkan secara asli tanpa memerlukan pengganti pasca-hoc sekunder.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/ms/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.
- Algoritma AprioriPembelajaran Mesin↔ compare
- Peraturan PersatuanPembelajaran Mesin↔ compare
- Pohon Keputusan Boleh DijelasPembelajaran Mesin↔ compare
- Naive Bayes Boleh DijelaskanPembelajaran Mesin↔ compare
- Random Forest Boleh Dijelas (Explainable Random Forest)Pembelajaran Mesin↔ compare
- FP-Growth (Pertumbuhan Corak Kerap)Pembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →