Reguli de Asociere de Ansamblu
Regulile de asociere de ansamblu aplică principii de învățare de ansamblu la extragerea regulilor de asociere: multiple seturi de reguli sunt descoperite din diferite subeșantioane de date sau cu parametri variați, apoi sunt combinate și ponderate pentru a produce un set mai stabil și complet de tipare de co-ocurență. Abordarea reduce sensibilitatea la alegerile pragurilor de suport și confidență și îmbunătățește robustețea pe date tranzacționale zgomotoase.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/ro/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.
- Algoritmul AprioriÎnvățare automată↔ compare
- Reguli de asociereÎnvățare automată↔ compare
- Bagging (Agregare Bootstrap)Învățare automată↔ compare
- BoostingÎnvățare automată↔ compare
- FP-Growth (Creștere Frecventă a Pattern-urilor)Învățare automată↔ compare
- Ansamblul de votareÎnvățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →