Förklarbara associationsregler
Förklarbara associationsregler utnyttjar den inneboende symboliska, om-så-strukturen hos associationsregelutvinning för att ge mänskligt läsbara förklaringar av datapönster eller beslut från svarta lådor-modeller. Eftersom varje regel explicit anger sin antecedent och konsekvent tillsammans med stöd (support), konfidens (confidence) och lyft (lift), är utdata naturligt tolkningsbara utan att kräva en sekundär post-hoc-ersättning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/sv/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-algoritmenMaskininlärning↔ compare
- AssocieringsreglerMaskininlärning↔ compare
- Förklaringsbar beslutsträdMaskininlärning↔ compare
- Förklarbar Naive BayesMaskininlärning↔ compare
- Förklarbar Random ForestMaskininlärning↔ compare
- FP-Growth (Frequent Pattern Growth)Maskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →