Réinitialiser mot de passe
E-mail
Password
RNTI

MODULAD
Catégorisation des mesures d'intérêt pour l'extraction des connaissances
In MQDC 2012, vol. RNTI-E-22, pp.117-144
Résumé
La recherche de règles d'association intéressantes est un domaine de
recherche important et actif en fouille de données. Les algorithmes de la
famille Apriori reposent sur deux mesures pour extraire les règles, le support et
la confiance. Bien que ces deux mesures possèdent des vertus algorithmiques
accélératrices, elles génèrent un nombre prohibitif de règles dont la plupart
sont redondantes et sans intérêt. Il est donc nécessaire de disposer d'autres
mesures filtrant les règles inintéressantes. Des travaux ont été réalisés pour
dégager les "bonnes" propriétés des mesures d'extraction des règles et ces
propriétés ont été évaluées sur 61 mesures. L'objectif de cet article est de
dégager des catégories de mesures afin de répondre à une préoccupation des
utilisateurs : le choix d'une ou plusieurs mesures lors d'un processus
d'extraction des connaissances dans le but d'éliminer les règles valides non
pertinentes extraites par le couple (support, confiance). L'évaluation des
propriétés sur les 61 mesures a permis de dégager 7 classes de mesures, classes
obtenues grâce à deux techniques : une méthode de la classification ascendante
hiérarchique et une version de la méthode de classification non-hiérarchique
des k-moyennes.