Objašnjiva asocijativna pravila
Objašnjiva asocijativna pravila koriste inherentno simboličku, „ako-onda“ strukturu rudarenja asocijativnih pravila kako bi pružila ljudski čitljiva objašnjenja obrazaca podataka ili odluka modela crne kutije. Budući da svako pravilo eksplicitno navodi svoj antecedent i konsekvent zajedno sa podrškom, pouzdanošću i liftom, izlazi su inherentno interpretativni bez potrebe za sekundarnim post-hoc surogatom.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/sr/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.
- Apriori algoritamMašinsko učenje↔ compare
- Pravila asocijacijeMašinsko učenje↔ compare
- Објашњиво стабло одлучивањаMašinsko učenje↔ compare
- Објашнјиви Наивни БејзMašinsko učenje↔ compare
- Објашнјиви случајни шумMašinsko učenje↔ compare
- FP-Rast (Rast čestih obrazaca)Mašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →