Байєсівські асоціативні правила
Байєсівські асоціативні правила (Bayesian Association Rules) розширюють класичний пошук асоціативних правил, розміщуючи апріорний розподіл ймовірностей на правила та оцінюючи їх за їхньою апостеріорною ймовірністю, враховуючи дані. Замість порогового відсікання за сирими значеннями підтримки та достовірності, цей байєсівський підхід природно штрафує складність, коригує множинні порівняння та створює калібровані ймовірнісні сили правил у транзакційних або категоріальних наборах даних.
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
- Heckerman, D., Geiger, D., & Chickering, D. M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20(3), 197–243. DOI: 10.1007/BF00994016 ↗
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 1215, 487–499. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Association Rule Mining. ScholarGate. https://scholargate.app/uk/machine-learning/bayesian-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.
- Алгоритм AprioriМашинне навчання↔ compare
- Правила асоціаційМашинне навчання↔ compare
- Байєсівська гауссова сумішМашинне навчання↔ compare
- Байєсівський наївний БайєсМашинне 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 →