Actieve Leren Associatieregels
Actieve leren associatieregels combineren de iteratieve query-en-label lus van actief leren met associatieregels mining, waardoor een menselijke expert het ontdekkingsproces interactief kan begeleiden. In plaats van alle regels boven een vaste ondersteunings-vertrouwensdrempel uitputtend op te sommen, selecteert het systeem de meest informatieve kandidaatregels en vraagt de gebruiker om hun interessantheid te beoordelen, waarbij de zoektocht gericht wordt op subjectief nuttige patronen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/nl/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.
- Actief LerenMachine learning↔ compare
- Apriori-algoritmeMachine learning↔ compare
- AssociatieregelsMachine learning↔ compare
- FP-Growth (Frequent Pattern Growth)Machine learning↔ compare
- Semi-supervised Association RulesMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →