Reguły asocjacyjne uczenia aktywnego
Reguły asocjacyjne uczenia aktywnego łączą iteracyjną pętlę zapytań i etykietowania uczenia aktywnego z wydobywaniem reguł asocjacyjnych, pozwalając ludzkiemu ekspertowi na interaktywne kierowanie procesem odkrywania. Zamiast wyczerpującego wyliczania wszystkich reguł powyżej ustalonego progu istotności i pewności, system wybiera najbardziej informatywne kandydatury reguł i prosi użytkownika o ocenę ich interesowności, skupiając wyszukiwanie na subiektywnie użytecznych wzorcach.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/pl/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.
- Aktywna naukaUczenie maszynowe↔ compare
- Algorytm AprioriUczenie maszynowe↔ compare
- Reguły asocjacyjneUczenie maszynowe↔ compare
- FP-Growth (Frequent Pattern Growth)Uczenie maszynowe↔ compare
- Reguły asocjacyjne częściowo nadzorowaneUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →