Regras de Associação Explicáveis
Regras de Associação Explicáveis (Explainable Association Rules) aproveitam a estrutura inerentemente simbólica, do tipo 'se-então', da mineração de regras de associação para fornecer explicações legíveis por humanos sobre padrões de dados ou decisões de modelos de caixa-preta. Como cada regra declara explicitamente seu antecedente e consequente juntamente com suporte, confiança e lift, as saídas são nativamente interpretáveis sem a necessidade de um substituto secundário post-hoc.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/pt/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.
- Algoritmo AprioriAprendizado de máquina↔ compare
- Regras de AssociaçãoAprendizado de máquina↔ compare
- Árvore de Decisão ExplicávelAprendizado de máquina↔ compare
- Naive Bayes ExplicávelAprendizado de máquina↔ compare
- Floresta Aleatória ExplicávelAprendizado de máquina↔ compare
- FP-Growth (Frequent Pattern Growth)Aprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →