Reguły Asocjacyjne Bayesa
Reguły Asocjacyjne Bayesa rozszerzają klasyczne górnictwo reguł asocjacyjnych poprzez przypisanie rozkładu prawdopodobieństwa a priori do reguł i ocenianie ich na podstawie prawdopodobieństwa a posteriori przy danych. Zamiast progowania na surowych liczbach wsparcia i pewności, ta bayesowska struktura naturalnie karze złożoność, koryguje wielokrotne porównania i generuje skalibrowane probabilistyczne siły reguł w zbiorach danych transakcyjnych lub kategorycznych.
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
- Heckerman, D., Geiger, D., & Chickering, D. M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20(3), 197–243. DOI: 10.1007/BF00994016 ↗
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 1215, 487–499. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/pl/machine-learning/bayesian-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.
- Algorytm AprioriUczenie maszynowe↔ compare
- Reguły asocjacyjneUczenie maszynowe↔ compare
- Bayesowski model mieszaniny rozkładów GaussaUczenie maszynowe↔ compare
- Bayesowski Naiwny BayesUczenie 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 →