Bajesovska pravila asocijacija
Bajesovska pravila asocijacija proširuju klasično rudarenje pravila asocijacija uvođenjem apriorne raspodele verovatnoće nad pravilima i ocenjivanjem njihovom aposteriornom verovatnoćom na osnovu podataka. Umesto postavljanja pragova na sirove broječe podrške i poverenja, ovaj Bajesovski okvir prirodno penalizuje složenost, koriguje za višestruka poređenja i proizvodi kalibrisane verovatnosne jačine pravila u transakcionim ili kategorijskim skupovima podataka.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/sr/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.
- Apriori algoritamMašinsko učenje↔ compare
- Pravila asocijacijeMašinsko učenje↔ compare
- Bajezijanski model Gausovih smešaMašinsko učenje↔ compare
- Bajezov naivni BajsMašinsko učenje↔ compare
- FP-Rast (Rast čestih obrazaca)Mašinsko učenje↔ compare
- Polu-nadgledano pronalaženje asocijativnih pravilaMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →