Académique Documents
Professionnel Documents
Culture Documents
APRIORI
2
Définitions (1)
Contexte formel :
3
Base de données : exemple
Soit la base de Transactions suivante
4
Définitions (2)
Itemset : un sous-ensemble non vide de I. Un Itemset
composé de k éléments est appelé un k-Itemset
5
Itemset : exemple
Soit la base de Transactions suivante
6
Définitions (3)
Itemset : un sous-ensemble non vide de I. Un Itemset
composé de k éléments est un k-Itemset
Support d’un itemset : la fréquence de son apparition
dans la base de transaction.
Soit (O, I, R) une base de transactions et I’ un itemset
Supp(I’) = | {o O / ( i I’, (o, i) R) } | / |O|
7
Support d’un Itemset : exemple
Soit la base de Transactions suivante
8
Définitions (4)
Itemset : un sous-ensemble non vide de I. Un Itemset
composé de k éléments est un k-Itemset
Support d’un itemset : la fréquence de son apparition
dans la base de transaction.
Soit (O, I, R) une base de transactions et I un itemset
Supp(I) = | {o O / ( i I, (o, i) R) } | / O
Le nombre des transactions qui contiennent tous les items
de l’itemset I divisé par le nombre total des transactions
Itemset fréquent : un itemset dont le support est
supérieur ou égal à un seuil défini par l’utilisateur
(minsup) 9
Itemset fréquent : exemple
Soit la base de Transactions suivante
et
Support =
vin Tous tickets
et
Confiance =
+
13
Algorithme Apriori
Algorithme 1 APRIORI
Entrée : B une base de données transactionnelle ; s minsup fixé par l’utilisateur
Sortie : L’ensemble de tous les Itemsets fréquents de B
Début
L1 liste des 1-itemsets dont le support est s
i 1
répéter
i++
à partir de Li -1, déterminer l'ensemble Ci des Itemsets fréquents candidats
comprenant i items
Li
pour tout élément c Ci faire
si support (c) s alors
ajouter c à Li
fin si
fin pour
jusque Li
Retourner k Lk
Fin
14
Algorithme Apriori : exemple
Soit la base de Transactions suivante
15
Algorithme Apriori : exemple (1)
I : Itemset ; s : support ; minsup : 45% ; Lk : liste des k-Itemsets fréquents ; Ck: liste
des k-Itemsets candidats
L1
C1
I s I s
Générer les candidats
{A1} 60% Retirer les candidats {A1} 60% C2 à partir de L1
dont le s 45%
{A2} 90% {A2} 90%
{A3} 70%
{A3} 70%
{A4} 20%
{A5} 30%
C2 C2
L2 Parcourir la base de
Retirer les candidats I s données et calculer le I
I s dont le s 45% s de chaque I
{A1, A2} 50% {A1, A2}
{A1, A2} 50%
{A1, A3} 40% {A1, A3}
{A2, A3} 60%
{A2, A3} 60% {A2, A3}
16
Algorithme Apriori : exemple (2)
I : Itemset ; s : support ; minsup : 45% ; Lk : liste des k-Itemsets fréquents ; Ck: liste
des k-Itemsets candidats
L2
Parcourir la base de
I s Générer les candidats C3 données et calculer le
C3 à partir de L2 s de chaque I
{A1, A2} 50% I
{A2, A3} 60% {A1, A2, A3}
C3
Retirer les candidats
L3 dont le s 45% I s
{} {A1, A2, A3} 30%
17
Algorithme Apriori
18
Algorithme Apriori (1)
19