Luật kết hợp có thể giải thích
Luật kết hợp có thể giải thích tận dụng cấu trúc biểu tượng, dạng nếu-thì vốn có của khai phá luật kết hợp để cung cấp các giải thích dễ đọc cho con người về các mẫu dữ liệu hoặc quyết định của mô hình hộp đen. Vì mỗi luật nêu rõ tiền đề và hệ quả của nó cùng với độ hỗ trợ, độ tin cậy và độ nâng, nên các kết quả có thể diễn giải một cách tự nhiên mà không cần bộ thay thế hậu kiểm thứ cấp.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/vi/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.
- Thuật toán AprioriHọc máy↔ compare
- Quy tắc kết hợpHọc máy↔ compare
- Cây quyết định giải thích đượcHọc máy↔ compare
- Naive Bayes Giải thích đượcHọc máy↔ compare
- Rừng ngẫu nhiên có thể giải thíchHọc máy↔ compare
- FP-Growth (Frequent Pattern Growth)Học máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →