Vysvetliteľné pravidlá asociácií
Vysvetliteľné pravidlá asociácií využívajú prirodzene symbolickú štruktúru pravidiel typu ak-potom z ťažby pravidiel asociácií na poskytnutie zrozumiteľných vysvetlení dátových vzorcov alebo rozhodnutí čiernej skrinky. Keďže každé pravidlo explicitne uvádza svoju predpokladanú a dôsledkovú časť spolu s podporou, istotou a zdvihom, výstupy sú prirodzene interpretovateľné bez potreby sekundárneho dodatočného náhradného modelu.
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
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/sk/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.
- Algoritmus AprioriStrojové učenie↔ compare
- Asociačné pravidláStrojové učenie↔ compare
- Vysvetliteľný rozhodovací stromStrojové učenie↔ compare
- Vysvetliteľný Naive BayesStrojové učenie↔ compare
- Explainable Random ForestStrojové učenie↔ compare
- FP-Growth (rast častých vzorov)Strojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →