Reguły Asocjacyjne Ensemble
Reguły asocjacyjne typu ensemble stosują zasady uczenia zespołowego do eksploracji reguł asocjacyjnych: wiele zestawów reguł jest odkrywanych z różnych podpróbek danych lub przy zmienionych parametrach, a następnie łączonych i ważonych w celu uzyskania bardziej stabilnego i kompletnego zestawu wzorców współwystępowania. Podejście to zmniejsza wrażliwość na wybór progów wsparcia i ufności oraz poprawia odporność na zaszumione dane transakcyjne.
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
- Domingos, P. (1999). MetaCost: A general method for making classifiers cost-sensitive. Proceedings of the 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 155–164. link ↗
- Rymon, R. (1992). Search through systematic set enumeration. Proceedings of the 3rd International Conference on Principles of Knowledge Representation and Reasoning, 539–550. — foundational work on systematic enumeration used in ensemble aggregation of frequent itemsets. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/pl/machine-learning/ensemble-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
- Bagging (agregacja bootstrapowa)Uczenie maszynowe↔ compare
- WzmocnienieUczenie maszynowe↔ compare
- FP-Growth (Frequent Pattern Growth)Uczenie maszynowe↔ compare
- Ensemble głosującyUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →