Thuật toán Apriori tìm thấy một số quy tắc hàm ý.
Kết quả tương tự được cung cấp bởi các mạng Bayes.
Sự khác biệt cần thiết là gì? Những lợi thế / bất lợi cụ thể là gì?
Chỉnh sửa:
Thuật toán Apriori tạo ra các quy tắc đồng hóa như một loại hàm ý, như có thể được kiểm tra trực quan trên hình ảnh sau (lấy từ bài báo này ).
Câu trả lời:
Câu hỏi này tương tự như câu hỏi: sự khác biệt giữa các mô hình tham số và không tham số.
Mạng Bayes có thể được xem như mô hình tham số. Trường hợp chúng ta có các giả định rõ ràng về các biến ngẫu nhiên và các phụ thuộc giữa các biến ngẫu nhiên (giả sử chúng ta chỉ học tham số không học cấu trúc).
Thuật toán Apriori là loại thuật toán "khai thác dữ liệu", có nghĩa là nó sẽ cung cấp cho tất cả các mẫu với thuật toán hiệu quả, không thực sự là "học máy", tức là tìm hiểu / điều chỉnh các tham số nhất định để tối ưu hóa chức năng mục tiêu nhất định.
Cái nào tốt hơn? hay ưu và nhược điểm? giống như cuộc thảo luận về mô hình tham số so với mô hình không tham số. Nếu các giả định mạng Bayes là tốt, thì nó sẽ "tốt hơn". Mặt khác, nếu các giả định không chính xác, apriori có thể tốt hơn.
Ngoài ra, mạng Bayes và thuật toán Apriori được sử dụng khác nhau.
Mạng Bayesian chủ yếu được sử dụng để "suy luận". Các câu hỏi chúng ta có thể hỏi Bayesian Network giống như "Nếu tôi biết A và B xảy ra, cơ hội của C xảy ra và D không xảy ra" là gì? Mô hình sẽ đưa ra xác suất của truy vấn.
Thuật toán Apriori được sử dụng để nhận các mục thường xuyên được thỏa mãn điều kiện. Câu hỏi điển hình được hỏi là "các mục thường xuyên kết hợp với nhau", khác với truy vấn xác suất có điều kiện được đề cập trong Bayesian Networks.
Nói một cách không chính thức, chúng ta có thể nghĩ Apriori đang cố gắng đặt câu hỏi về xác suất chung và lưu trữ tất cả các kết hợp tần số cao. Mặt khác, mạng Bayes đang cố gắng đặt câu hỏi về xác suất có điều kiện: đưa ra dữ liệu, giả thuyết nào có khả năng hơn.