Pravidlá asociácií aktívneho učenia
Pravidlá asociácií aktívneho učenia kombinujú iteratívnu slučku dopytovania a označovania aktívneho učenia s ťažbou pravidiel asociácií, čo umožňuje ľudskému expertovi interaktívne riadiť proces objavovania. Namiesto vyčerpávajúceho výpočtu všetkých pravidiel nad pevným prahom podpory a spoľahlivosti systém vyberá najinformatívnejšie kandidátske pravidlá a žiada používateľa, aby posúdil ich zaujímavosť, čím sa zameriava na subjektívne užitočné vzory.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Dzyuba, V., & van Leeuwen, M. (2017). Interactive Discovery of Interesting Association Rules by Subjective Interestingness. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Springer. link ↗
- Boley, M., Lucchese, C., Paurat, D., & Gartner, T. (2013). Direct Local Pattern Sampling by Efficient Two-Step Random Procedures. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 582–590). ACM. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/sk/machine-learning/active-learning-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.
- Aktívne učenieStrojové učenie↔ compare
- Algoritmus AprioriStrojové učenie↔ compare
- Asociačné pravidláStrojové učenie↔ compare
- FP-Growth (rast častých vzorov)Strojové učenie↔ compare
- Polosupervidované asociacné pravidláStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →