L’apprentissage par règles d’association est une méthode d’apprentissage automatique basée sur des règles permettant de découvrir des relations intéressantes entre des variables dans de grandes bases de données. Il vise à identifier les règles fortes découvertes dans les bases de données à l’aide de mesures d’intérêt. En s’appuyant sur le concept de règles fortes, Rakesh Agrawal et al. ont introduit des règles d’association permettant de découvrir des régularités entre produits dans les données de transactions à grande échelle enregistrées par les systèmes de point de vente (POS) des supermarchés. Par exemple, la règle {oignons, pommes de terre} ⇒ {burger} trouvée dans les données de vente d’un supermarché indiquerait que si un client achète des oignons et des pommes de terre ensemble, il est susceptible d’acheter également de la viande hachée. Ces informations peuvent servir de base à des décisions marketing telles que la tarification promotionnelle ou le placement de produits. Outre l’exemple précédent d’analyse du panier d’achat, les règles d’association sont aujourd’hui utilisées dans de nombreux domaines d’application, notamment l’exploration de l’utilisation du Web, la détection d’intrusions, la production continue et la bio-informatique. Contrairement à l’exploration de séquences, l’apprentissage par règles d’association ne prend généralement pas en compte l’ordre des éléments, ni au sein d’une transaction ni entre les transactions.
Définition
| Exemple de base de données avec 5 transactions et 5 éléments | |||||
| ID de transaction | Lait | Pain | Beurre | Bière | Couches |
| 1 | 1 | 1 | 0 | 0 | 0 |
| 2 | 0 | 0 | 1 | 0 | 0 |
| 3 | 0 | 0 | 0 | 1 | 1 |
| 4 | 1 | 1 | 1 | 0 | 0 |
| 5 | 0 | 1 | 0 | 0 | 0 |
Selon la définition originale d’Agrawal et al., le problème de l’exploration de règles d’association est défini comme suit :
Soit I = {i1, i2, …, in} un ensemble d’attributs binaires n appelés éléments.
Soit D = {t1, t2, …, tm} un ensemble de transactions appelé base de données.
Chaque transaction de D possède un identifiant de transaction unique et contient un sous-ensemble des éléments de I.
Une règle est définie comme une implication de la forme :
X ⇒ Y,
où X, Y ⊆ I et X ∩ Y = ∅.
Chaque règle est composée de deux ensembles d’éléments différents, également appelés ensemble d’éléments, X et Y, où X est appelé antécédent ou membre de gauche (LHS) et Y conséquent ou membre de droite (RHS).
Pour illustrer ces concepts, prenons un petit exemple tiré du domaine des supermarchés. L’ensemble d’éléments est I = {lait, pain, beurre, bière, couches}. Le tableau présente une petite base de données contenant les éléments. Pour chaque entrée, la valeur 1 indique la présence de l’élément dans la transaction correspondante et la valeur 0 son absence.
Un exemple de règle pour un supermarché pourrait être {beurre, pain} ⇒ {lait}, ce qui signifie que si du beurre et du pain sont achetés, les clients achètent également du lait.
Remarque : cet exemple est extrêmement court. Dans les applications pratiques, une règle doit prendre en charge plusieurs centaines de transactions avant de pouvoir être considérée comme statistiquement significative, et les ensembles de données contiennent souvent des milliers ou des millions de transactions.
Source: Drew Bentley, Business Intelligence and Analytics. © 2017 Library Press, License CC BY-SA 4.0. Traduction et adaptation: Nicolae Sfetcu. © 2025 MultiMedia Publishing, L’informatique décisionnelle et l’analyse exploratoire des données dans les entreprises, Collection Sciences de l’information
En savoir plus sur MultiMedia
Subscribe to get the latest posts sent to your email.
Laisser un commentaire