Réponse 1 

La définition d’une règle d’association  x-> y:

Est une application de la forme x>y ou x et y sont des ensembles d’itermes disjoints .

La règle d’association exprime une occurrence et même une implication

{p1} -> {p2}

Cette règle d’association signifie que si un client achète du p1, il y’a une grande probabilité
pour qu’il achète du p2.

Réponse 2 :

L’objectif général du modèle des règles d’associations RA : l’objectif est de trouver tous
l’ensemble d’items qui satisfont le seuil minsup.

Réponse 3 :

Le volume de chaque transaction :

V (T n° 1) = 3

V (T n° 2) = 2

V (T n° 3) = 3

V (T n° 4) = 2

V (T n° 5) = 2

V (T n° 6) = 1

Réponse 4 :

Les RA candidates : un générale le nombre de règles d’association candidates est égale :

(3 d - 2d+1 +1 )

D : nombres des itermes =4

34 – 2 4+1 +1 = 50

Réponse 5 :

Toutes les RA x -> y ou card (x) = 1 et card (y) =2

{p1} -> {p2,p3}

{p2} -> {p1,p3}

{p3} -> {p2,p2}

Réponse 6 :

SUPP (P 1 , P2 , P3) 2
1 / supp ({p1} -> {p2, p3}) ¿ ¿ = 0.3 (33%)
N 6

SUPP (P 1 , P2 , P3) 2
coff ¿ ¿ = 0.5 (50%)
supp ( p 1) 4

SUPP (P 2 , P1 , P3) 2
2/ supp ({p2} -> {p1, p3}) ¿ ¿ = 0.3 (33%)
N 6

SUPP (P 2 , P1 , P3) 2
coff ¿ = = 0.66 (66%)
supp ( p 2) 3

SUPP (P 3 , P 1, P 2) 2
3/ supp ({p3} -> {p1, p2}) ¿ ¿ = 0.3 (33%)
N 6

SUPP (P 3 , P 1, P 2) 2
coff ¿ = = 0,4 (40%)
supp ( p 3) 5

Réponse 7 :

Calculer le support et la confiance :

1/ supp ( {p1}->{p2})=

SUPP ( P1 , P2) 2
supp ({p1},{p2})= = =0.33= (33% )
N 6

SUPP (P 1 , P2) 2
coff ¿ ¿ = 0.5 (50%)
supp ( p 1) 4

2/ supp ( {p2}->{p1})=

SUPP ( P2 , P1) 2
supp ({p2},{p1})= = =0.33= (33% )
N 6

SUPP (P 2 , P1) 2
coff ¿ ¿ =1
supp ( p 2) 2

3/ supp ( {p1}->{p2 ,p3})=

SUPP (p 3 , p 2 , p 3) 2
supp ({p1},{p2,p3})= = =0.33= (33% )
N 6

SUPP (P 1 , P2 , P3) 2
coff ¿ ¿ = 0.5 (50%)
supp ( p 1) 4

4/ supp ( {p1}->{p2})=
 SUPP (P1 , P2 , P 3) 2
supp ({p1,p2}-> {p3})= = =0.33= (33% )
N 6

SUPP (P 1 , P2 , P3) 2
coff ¿ ¿ = 0.5 (50%)
supp ( p 1) 4

Réponse 8  :

La méthode basique pour extraire les RA :

Etape 1 : chercher toute les RA possibles (règles candidates).

Etape 2 : sélection uniquement celles dant le support et la confiance sont supérieur aux
valeurs seuils.

L’inconvénient :

Le probleme de cette démarche est le cout en temps de calcul surtout pour la 1ere étape.

Réponse 9  :

Expliquer comment l’algorithme « Apriori » améliore la méthode d’extraction ?

Se base sur le principe suivant :

Si un ensemble d’items est fréquents, alors tous sous ensemble sont aussi fréquents. La
réciproque est que si un ensemble {a,b} et peut fréquent alors ses super, ensemble sont aussi
peu fréquent. Ainsi on peut éliminer tous les ensembles les contenant cette méthode s’appelle
l’elagage.

Réponse 10  :

Algorithme apriori :

1- Calcul les ensembles d’items apriori (fréquents).

2- Calcul les RA candidates a partir l’ensemble des items.

Avec minsup=2 (2/6=33%).

Etape 01 :

Panier P1 P2 P3 P4
1 1 1 1 0
2 1 0 1 0
3 1 1 1 0
4 1 0 1 0
5 0 1 1 0
 6 0 0 0 1

Panier supp
{P1} 4
{P2} 3
{P3} 5
{P4} 1

Supp {P4}=1> minsup=2 alors éliminer P4

F1= {{P1},{P2},{P3}}

C2= {{P1,P2} ,{P1,P3},{P2,P3}}

Etape 02 :

Panier supp
{P1,P2} 2
{P1,P3} 4
{P2,P3} 3
F2= {{P1,P2} ,{P1,P3},{P2,P3}}

C3= {{P1,P2,P3 }}

Etape 03 :

Panier supp
{P1,P2,P3} 2
F3={{P1,P2,P3 }}

C4=Ө

Réponse 11  :

Résultat sur Weka :