Правила асоціацій з активним навчанням
Правила асоціацій з активним навчанням поєднують ітеративний цикл запитів та розмітки активного навчання з видобуванням правил асоціацій, дозволяючи експерту-людині інтерактивно керувати процесом виявлення. Замість вичерпного перерахування всіх правил вище фіксованого порогу підтримки-довіри, система обирає найбільш інформативні кандидати правил і просить користувача оцінити їхню цікавість, фокусуючи пошук на суб'єктивно корисних патернах.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Dzyuba, V., & van Leeuwen, M. (2017). Interactive Discovery of Interesting Association Rules by Subjective Interestingness. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Springer. link ↗
- Boley, M., Lucchese, C., Paurat, D., & Gartner, T. (2013). Direct Local Pattern Sampling by Efficient Two-Step Random Procedures. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 582–590). ACM. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Active Learning for Association Rule Mining. ScholarGate. https://scholargate.app/uk/machine-learning/active-learning-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.
- Активне навчанняМашинне навчання↔ compare
- Алгоритм AprioriМашинне навчання↔ compare
- Правила асоціаційМашинне навчання↔ compare
- FP-Growth (Frequent Pattern Growth)Машинне навчання↔ compare
- Напівкероване видобування правил асоціативностіМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →