AI 용어집
인공지능 완전 사전
Support
Mesure de fréquence indiquant la proportion de transactions dans la base de données contenant un itemset ou une règle d'association particulière, calculée comme le nombre d'occurrences divisé par le nombre total de transactions.
Confiance
Mesure de fiabilité d'une règle d'association représentant la probabilité conditionnelle que l'antécédent implique le conséquent, calculée comme le support de la règle divisé par le support de l'antécédent.
Lift
Métrique d'évaluation des règles d'association mesurant le ratio entre la confiance observée et la confiance attendue si les items étaient indépendants, permettant d'identifier des associations intéressantes au-delà du hasard.
FP-Growth
Algorithme efficace d'extraction de règles d'association utilisant une structure de données FP-tree (Frequent Pattern tree) pour compresser la base de données et éviter les coûteuses générations de candidats de l'algorithme Apriori.
Règles de décision
Ensemble d'énoncés conditionnels SI-ALORS extraits de modèles prédictifs qui capturent la logique de prise de décision, permettant d'interpréter et de reproduire le comportement du modèle de manière transparente.
Extraction de règles
Processus de découverte automatique de connaissances à partir de données ou de modèles prédictifs visant à générer des règles logiques compréhensibles qui capturent les patterns et relations sous-jacentes.
Induction de règles
Processus d'apprentissage automatique qui dérive des règles générales à partir d'exemples spécifiques, visant à créer des modèles interprétables capables de généraliser à de nouvelles observations non vues.
Classification basée sur règles
Approche de classification qui utilise un ensemble de règles conditionnelles pour assigner des étiquettes aux observations, offrant une alternative interprétable aux modèles boîte noire comme les réseaux de neurones.
Règles d'association séquentielles
Extension des règles d'association classiques qui capturent des patterns temporels où des items apparaissent dans un ordre spécifique à travers différentes transactions, utilisées notamment en analyse de parcours utilisateur.
Règles d'association temporelles
Type spécialisé de règles d'association qui incorporent des contraintes temporelles spécifiques, permettant de découvrir des patterns où la co-occurrence d'items doit respecter des délais ou des périodes prédéfinies.
Règles d'association floues
Variante des règles d'association utilisant la logique floue pour gérer l'incertitude et les imprécisions dans les données, permettant de capturer des associations avec des attributs continus et des relations graduelles.
Règles d'association quantitatives
Extension des règles d'association traitant des attributs numériques continus en les discrétisant ou en utilisant des intervalles, permettant de découvrir des relations entre des quantités plutôt que des items discrets.
Règles d'association multi-niveaux
Approche d'exploration de règles d'association qui opère simultanément sur différents niveaux de granularité des hiérarchies de concepts, permettant de découvrir des patterns à la fois généraux et spécifiques dans les données structurées.
Règles d'association corrélées
Type de règles d'association qui identifient non seulement les co-occurrences fréquentes mais aussi les corrélations statistiques significatives entre items, utilisant des métriques comme le coefficient de corrélation pour éviter les associations fallacieuses.