Critères d'évaluation des mesures de qualité des règles d'association

Philippe Lenca (1) , Patrick Meyer (2) , Philippe Picouet (1) , Benoît Vaillant (1) , Stéphane Lallich (3)

1 IASC - Dépt. Intelligence Artificielle et Systèmes Cognitifs
2 Institute of Mathematics
3 ERIC - Equipe de Recherche en Ingénierie des Connaissances

Les algorithmes de fouille de données, en particulier dans le cadre de l'apprentissage non-supervisé, génèrent un grand nombre de règles. Il est donc concrètement impossible de procéder à une validation de ces règles en les présentant à un expert du domaine. Afin d'assister ce traitement, de nombreuses mesures de qualité de règles ont été proposées pour sélectionner et ordonner automatiquement les règles. Se pose alors le problème du choix de la mesure de qualité adaptée aux données et aux besoins de l'expert, celui-ci n'étant pas --a priori-- expert en fouille de données. Dans le contexte des règles d'association, nous proposons une caractérisation des mesures en fonction de propriétés ayant une sémantique intuitive nous permettant de mettre en oeuvre un processus d'aide à la décision afin d'assister l'expert dans son choix d'une mesure adaptée à ses besoins et afin de l'aider à sélectionner les meilleures règles.

Mots clés: Mesures de qualité; Mesures d'intérêt; Règles d'association

Domaines: Apprentissage [cs.LG]; Intelligence artificielle [cs.AI]; Recherche opérationnelle [math.OC]

Philippe Lenca, Patrick Meyer, Philippe Picouet, Benoît Vaillant, Stéphane Lallich. Critères d'évaluation des mesures de qualité des règles d'association. Revue des Nouvelles Technologies de l'Information, 2003, RNTI-1, pp.123-134. ⟨hal-00632772⟩