Объяснимые правила ассоциаций
Объяснимые правила ассоциаций используют присущую символическую структуру правил «если-то» для извлечения закономерностей из данных, чтобы предоставить понятные человеку объяснения закономерностей в данных или решений моделей типа «черный ящик». Поскольку каждое правило явно указывает свою антецедентную и консеквентную части вместе с поддержкой, достоверностью и подъемом, выходные данные являются естественно интерпретируемыми и не требуют вторичного постфактумного суррогата.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/ru/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.
- Алгоритм AprioriМашинное обучение↔ compare
- Правила ассоциацийМашинное обучение↔ compare
- Объяснимое дерево решенийМашинное обучение↔ compare
- Объяснимый наивный БайесМашинное обучение↔ compare
- Объяснимый случайный лесМашинное обучение↔ compare
- FP-Рост (Рост часто встречаемых паттернов)Машинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →