La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Exposé DATAMINING METHODE DESCPIPTIVE : ASSOCIATION.

Présentations similaires


Présentation au sujet: "Exposé DATAMINING METHODE DESCPIPTIVE : ASSOCIATION."— Transcription de la présentation:

1 Exposé DATAMINING METHODE DESCPIPTIVE : ASSOCIATION

2 Les régles d’association : OBJECTIF :  Approche automatique pour découvrir des relations / corrélations intéressantes entre des objets.  Transcrire la connaissance sous forme de règles d’association Applications: –Utilisé pour analyser le panier de la ménagère –Détection des fraudes –Gestion des stocks

3 Tableau de transactions tableau binaire 0/1 Contenu du caddietrans- action s confiturefromagepainclt1 fromagepainclt2 painLaitclt3 fromageconfitureLaitclt4 painlaitconfitureformageclt5 fromageclt6 laitconfiturefromagepain 0111Clt1 0011Clt2 1001clt3 1110Clt4 1111Clt5 0010Clt6 L’analyse du panier de la Ménagère : Mettre en évidence les produits achetés ensemble, pour avoir une régle sous forme: Par exemple : Si pain alors lait ; Si antécédent Alors conséquent

4 Critères d’évaluation des règles d’association : Ces règles d’association seront sous forme : (R) : Si conditions Alors resultants Si pain alors lait SUPPORT : Un indicateur de « fiabilité » de la règle, recherche des ensemble de produits fréquents,  c’est le nombre de transactions d’apparition simultanée des produits le nombre d’apparition (ex. sup{pain et lait} = 2) CONFIANCE : Un indicateur de « précision » de la règle, c’est à partir des ensemble de produit fréquents, produire les règles, (Conf = sup{pain,lait} / sup( pain ) = 2/4 = 50% Bonne règle = règle avec un support et une confiance élevée SUP (condition et résultat). CONF= sup (condition et résultat) / sup (condition).

5 Extraction des règles d’association : Paramètres Paramètres : Fixer un degré d’exigence sur les règles à extraire >> Support-min. <.ex 2 transactions) >> Confiance-min < ex. 75%)  l’idée est surtout de contrôler (limiter) le nombre de règles produites

6 Recheche des fréquence et production desrégles: >> recherche des ensemble produit fréquents (support >= support min.) >> à partir des ensemble produit fréquents, produire les règles (conf. >= conf. min.), {p;f} p f conf: ¾= 0,75 (accepter) f p conf : 3/5= 0,6 ( refuser) {p;f} {p;c} {p;l} {f;c} {f;l} {c;l} Card {p,f}= 2

7 Lift d’une règle : mesure son intérêt Lift d’une règle : mesure son intérêt LIFT : L’amélioration apportée par une règle, par rapport à une réponse au hasard est appelée « lift » et vaut (EX = conf (pain et lait) /p (lait) = 0,5/(3/6)= 1) Quand le lift est < 1, la règle n’apporte rien. Exemples : lift (C ⇒ B) = 5/6 < 1(règle inutile) lift (B ⇒ E) = 5/4 (règle utile). lift (règle) = confiance (règle) / p (résultat)

8 Cas pratique Avec le logiciel TANAGRA: Cas d’une base de donnée d’un banque (population), Construire des règles d’association à partir d’un fichier EXCEL« individus x variables ». qui recense les caractéristiques d’un ensemble de clients ayant déposé un dossier de demande de crédits.

9 Charger le fichier BANQUE.BDM On a 9 attributte, ayant tous Des variables discréts

10 Insérer le composant « Define Status» Sélectionne les attributs

11 On glissa, le composant A PRIORI dans la filière Ces paramètres sont donné Par Défaut, et dès lors possible de lancer les calculs, et voir les resultats Le nombre d’items Le nombre d’items ayant un support supérieur à SUPPORT_MIN ; Le nombre d’itemsets de cardinal égal à 2, 3, …

12 Les resultats sont triées par ordre décroissant selon le LIFT Pour chaque règle, Affichera son antécédent, son conséquent, le lift, le support et la confiance associés.

13 Merci pour votre attention


Télécharger ppt "Exposé DATAMINING METHODE DESCPIPTIVE : ASSOCIATION."

Présentations similaires


Annonces Google