Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd
Importer
166 vues1 page

Data Mining: Exercice 1: Les Règles Associatives Avec Apriori (5pts) 1

Transféré par

Bakalti Nourhene

Le document décrit un examen théorique sur la méthode de datamining Apriori pour la découverte de règles d'association. Il présente le principe algorithmique d'Apriori, les types de données traitées, et définit les indices de support, confiance et lift utilisés pour évaluer les règles.

Droits d'auteur :

© All Rights Reserved
Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
Télécharger au format pdf ou txt

Data Mining: Exercice 1: Les Règles Associatives Avec Apriori (5pts) 1

Transféré par

Bakalti Nourhene
166 vues1 page
Le document décrit un examen théorique sur la méthode de datamining Apriori pour la découverte de règles d'association. Il présente le principe algorithmique d'Apriori, les types de données traitées, et définit les indices de support, confiance et lift utilisés pour évaluer les règles.

Titre original

2015-C1

Copyright

© © All Rights Reserved

Formats disponibles

PDF, TXT ou lisez en ligne sur Scribd

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Le document décrit un examen théorique sur la méthode de datamining Apriori pour la découverte de règles d'association. Il présente le principe algorithmique d'Apriori, les types de données traitées, et définit les indices de support, confiance et lift utilisés pour évaluer les règles.

Droits d'auteur :

© All Rights Reserved
Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
Télécharger au format pdf ou txt
166 vues1 page

Data Mining: Exercice 1: Les Règles Associatives Avec Apriori (5pts) 1

Transféré par

Bakalti Nourhene
Le document décrit un examen théorique sur la méthode de datamining Apriori pour la découverte de règles d'association. Il présente le principe algorithmique d'Apriori, les types de données traitées, et définit les indices de support, confiance et lift utilisés pour évaluer les règles.

Droits d'auteur :

© All Rights Reserved
Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
Télécharger au format pdf ou txt
Vous êtes sur la page 1/ 1

Examen Théorique - Correction

Module : DATA MINING


Enseignant : Mohamed Heny SELMI
Niveau : 4 INFINI, 4 ERP-BI Date : Lundi 18/05/2015 11h15 Durée : 1h30mn Nombre de Pages : 4

Exercice 1 : Les règles associatives avec apriori [5pts]


1. Donner le principe algorithmique de la méthode apriori. [1pt]
- définir un seuil s de l’indice support
- déterminer les sous-ensembles les plus fréquents selon la valeur de s
- construire l’ensemble des règles associatives correspondant aux ensembles conservés
- trier les règles par confiance ou par lift

2. Rappeler le type de données fouillées pour l’algorithme apriori, justifier votre réponse. [0.5pt]
Données transactionnelles transformées en données binaires car pour cette méthode on
travaille sur des transactions : tickets de caisse, tableau de symptômes, etc.

3. Donner les formules de chaque indice et expliquer son rôle dans le choix final des règles associatives :
Indice support : probabilité absolue P(X U Y) [0.5pt]
Indice confiance : probabilité conditionnelle P(Y/X) [0.5pt]
Indice Lift : mesure d’intérêt confiance (règle) / p (résultat) [0.5pt]

4. On considère le ticket de caisse suivant, et la règle associative : B → E

Donner le calcul pour :


(Formule complète et calcul)
Support : 3/5 [0.5pt]
Confiance : (3 /5)/(4/5)= 3/4 [0.5pt]
LIFT : (3/4)/(3/5) = 5/4 [0.5pt]

5. Comment peut-on juger la pertinence de cette règle ? Expliquer votre décision. [0.5pt]
C’est une règle pertinente car son lift est supérieur strictement à 1

Vous aimerez peut-être aussi