Байесовские ассоциативные правила
Байесовские ассоциативные правила расширяют классический подход к поиску ассоциативных правил, вводя априорное вероятностное распределение для правил и оценивая их по апостериорной вероятности, обусловленной данными. Вместо пороговой фильтрации по необработанным значениям поддержки и достоверности, этот байесовский подход естественным образом штрафует за сложность, корректирует множественные сравнения и производит калиброванные вероятностные оценки силы правил для транзакционных или категориальных наборов данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/ru/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.
- Алгоритм AprioriМашинное обучение↔ compare
- Правила ассоциацийМашинное обучение↔ compare
- Байесовская гауссовская смесьМашинное обучение↔ compare
- Байесовский наивный классификаторМашинное обучение↔ compare
- FP-Рост (Рост часто встречаемых паттернов)Машинное обучение↔ compare
- Полуавтоматическое извлечение правил ассоциацийМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →