Explainable Association Rules
Explainable Association Rules wykorzystuje z natury symboliczne, oparte na regułach typu „jeśli-wtedy” techniki wydobywania reguł asocjacyjnych do dostarczania zrozumiałych dla człowieka wyjaśnień wzorców danych lub decyzji modeli typu „czarna skrzynka”. Ponieważ każda reguła jawnie określa swój poprzednik i następnik wraz z miarami wsparcia, pewności i liftu, wyniki są natywnie interpretowalne bez potrzeby stosowania wtórnego, post-hocowego zastępstwa.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/pl/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.
- Algorytm AprioriUczenie maszynowe↔ compare
- Reguły asocjacyjneUczenie maszynowe↔ compare
- Wyjaśnialne drzewo decyzyjneUczenie maszynowe↔ compare
- Wyjaśnialny Naiwny Klasyfikator BayesowskiUczenie maszynowe↔ compare
- Wyjaśnialny Las LosowyUczenie maszynowe↔ compare
- FP-Growth (Frequent Pattern Growth)Uczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →