Règles d’association en data mining - Efficient mining of association rules using closed itemset lattices - Nicolas Pasquier, Yves Bastide, Rafiq Taouil, Lotfi Lakhal, 1999

Thèmes abordés

informatique, données, base de données, méthode MERISE, ordre de fabrication, modèle des données, contrôles de base, filtres de données, saisie de données, algorithme Close, algorithme Apriori, dat mining, datamining, Règles d'association, Nicolas Pasquier, Yves Bastide, Rafiq Taouil, Lotfi Lakhal

Résumé du document

Les auteurs font partie du laboratoire d'Informatique, Université Blaise Pascal – Clermont-Ferrand II, Complexe scientifique des Céseaux.
Problème:
Extraire les règles d'associations à partir d'une base de données D.
Etant données des valeurs seuils pour le support et la confiance, trouver toutes les règles d'association ayant un support et une confiance supérieurs aux valeurs limites.

Extraits

[...] Tous les sur-ensembles d'un itemset non fréquent sont aussi non fréquents. Tous les sous-ensembles fermés d'un itemset fermé et fréquent sont fréquents. Tous les sur-ensembles fermés d'un itemset fermé et non fréquent sont non fréquents. On a l'égalité: support(I) = support(h(I)). Les ensembles M et MC sont égaux – L'algorithme « Close » Description: Premièrement, on cherche les itemsets fermés et fréquents. A partir des itemsets fermés et fréquents, on extraite les itemsets fréquents. Ensuite, un algorithme permet de générer les règles d'association valides. [...]

[...] Plan de l'exposé: Introduction L'algorithme Apriori Définitions et propriétés L'algorithme Close Conclusion Introduction Titre de l'article: EFFICIENT MINING OF ASSOCIATION RULES USING CLOSED ITEMSET LATTICES Auteurs: NICOLAS PASQUIER, YVES BASTIDE, RAFIQ TAOUIL et LOTFI LAKHAL Les auteurs font partie du laboratoire d'Informatique, Université Blaise Pascal – Clermont-Ferrand II, Complexe scientifique des Céseaux Aubière Cedex France L'article est cité 933 fois. Et il est publié en 1999. On peut résoudre le second sous problème d'une manière simple, une fois le premier est résolu. Alors, le problème d'extraction des règles d'association est réduit à la recherche des itemsets fréquents (frequent itemsets). Pour ce faire, plusieurs algorithmes ont été proposé dans la littérature. [...]

[...] L'algorithme suivant nous permet de faire cette extraction: Exemple: On prend pour entrée l'ensemble: Les étapes de 1 à 5 de l'algorithme donnent: K=4 et: Ensuite les étapes 6 à 15 donnent: (avec un support minimum égale à Et finalement: 5 – Conclusion Une expérience a été faite pour comparer les performances des deux algorithmes: Close et Apriori. Les deux algorithmes ont été testé sur deux types de données: des données synthétiques et des données de recensement. Pour les données synthétiques, « Close » est moins efficace mais il a un temps de réponse acceptable. Or pour les données de recensement (statistiques), « Close » dépasse Apriori et les résultats sont spectaculaires. Les deux courbes suivantes montrent les performances des deux algorithmes. Ces derniers ont été testés sur des données synthétiques. [...]