เปรียบเทียบวิธี

	กฎความสัมพันธ์แบบเบย์ (Bayesian Association Rules)	อัลกอริทึม Apriori
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1994–1995	1994
ผู้ริเริ่ม	Heckerman, D. et al.; Agrawal, R. & Srikant, R.	Agrawal, R. & Srikant, R.
ประเภท	Probabilistic rule mining	Frequent itemset and association rule mining algorithm
แหล่งต้นตำรับ	Heckerman, D., Geiger, D., & Chickering, D. M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20(3), 197–243.	Agrawal, R. & Srikant, R. (1994). Fast algorithms for mining association rules. Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 487–499.
ชื่อเรียกอื่น	Bayesian rule learning, probabilistic association rules, Bayesian itemset mining, BAR	Apriori, frequent itemset mining, ARL-Apriori, Apriori association mining
ที่เกี่ยวข้อง	6	5
สรุป	Bayesian Association Rules extend classical association rule mining by placing a prior probability distribution over rules and scoring them by their posterior probability given the data. Rather than thresholding on raw support and confidence counts, this Bayesian framework naturally penalises complexity, corrects for multiple comparisons, and produces calibrated probabilistic rule strengths across transactional or categorical datasets.	The Apriori algorithm, introduced by Agrawal and Srikant in 1994, is the foundational method for discovering frequent itemsets and association rules in transactional databases. It uses a breadth-first, level-wise search guided by the anti-monotone property of support to efficiently enumerate all item combinations that co-occur above a user-set minimum threshold, then extracts interpretable if-then rules from those patterns.