Forklarbare assosiasjonsregler
Forklarbare assosiasjonsregler utnytter den iboende symbolske, hvis-så-strukturen til assosiasjonsregelutvinning for å gi menneskelesbare forklaringer på datamønstre eller beslutninger fra «black-box»-modeller. Siden hver regel eksplisitt angir sin antecedent og konsekvent sammen med støtte, konfidens og løft, er utdataene naturlig tolkbare uten behov for en sekundær post-hoc-surrogat.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/no/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-algoritmenMaskinlæring↔ compare
- AssosiasjonsreglerMaskinlæring↔ compare
- Forklarbar beslutningstreMaskinlæring↔ compare
- Forklarbar Naive BayesMaskinlæring↔ compare
- Explainable Random ForestMaskinlæring↔ compare
- FP-Growth (Frequent Pattern Growth)Maskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →