กฎความสัมพันธ์ที่อธิบายได้
กฎความสัมพันธ์ที่อธิบายได้ ใช้ประโยชน์จากโครงสร้างสัญลักษณ์แบบถ้า-แล้ว ที่มีอยู่ในกฎความสัมพันธ์ เพื่อให้คำอธิบายที่มนุษย์อ่านได้เกี่ยวกับรูปแบบข้อมูล หรือการตัดสินใจของแบบจำลองกล่องดำ เนื่องจากกฎแต่ละข้อระบุเงื่อนไขนำ (antecedent) และเงื่อนไขตาม (consequent) พร้อมด้วยความถี่ (support) ความเชื่อมั่น (confidence) และค่ายกกำลัง (lift) อย่างชัดเจน ผลลัพธ์จึงสามารถตีความได้โดยธรรมชาติโดยไม่จำเป็นต้องใช้การตีความภายหลัง (post-hoc surrogate)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/th/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.
- อัลกอริทึม Aprioriการเรียนรู้ของเครื่อง↔ compare
- Association Rulesการเรียนรู้ของเครื่อง↔ compare
- ผังการตัดสินใจที่อธิบายได้การเรียนรู้ของเครื่อง↔ compare
- Explainable Naive Bayesการเรียนรู้ของเครื่อง↔ compare
- ฟอเรสต์สุ่มที่อธิบายได้การเรียนรู้ของเครื่อง↔ compare
- FP-Growth (Frequent Pattern Growth)การเรียนรู้ของเครื่อง↔ compare