Ансамблевые правила ассоциаций
Ансамблевые правила ассоциаций применяют принципы ансамблевого обучения к поиску правил ассоциаций: множество наборов правил извлекается из различных подвыборок данных или с варьируемыми параметрами, затем объединяется и взвешивается для получения более стабильного и полного набора паттернов совместной встречаемости. Этот подход снижает чувствительность к выбору порогов поддержки и достоверности и повышает робастность на зашумленных транзакционных 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
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Ensemble Association Rule Mining. ScholarGate. https://scholargate.app/ru/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.
- Алгоритм AprioriМашинное обучение↔ compare
- Правила ассоциацийМашинное обучение↔ compare
- Бэггинг (Бутстрэп-агрегирование)Машинное обучение↔ compare
- БустингМашинное обучение↔ compare
- FP-Рост (Рост часто встречаемых паттернов)Машинное обучение↔ compare
- Голосующая ансамблевая модельМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →