Académique Documents
Professionnel Documents
Culture Documents
GROUPE: 04
1
Qu’est-ce que l’apprentissage non supervisé ?
3
Les règles d'association
Une règle d'association est une relation entre les éléments d'un ensemble de données
qui indique une corrélation ou une co-occurrence fréquente entre ces éléments. Elles
sont souvent exprimées sous forme de "si... alors...", où "si" représente l'ensemble
des items qui co-occurrent et "alors" représente l'item qui est susceptible de suivre.
Par exemple, dans un contexte de vente au détail, une règle d'association pourrait être
"si un client achète du pain et du lait, alors il est probable qu'il achète également des
œufs.
4
Application des règles de l'association
01 02 03 04
Marketing croisé systèmes de
personnalisation et de
Prétraitement des Conception de
recommandation données catalogue
pour la navigation sur Génomique
les pages Web
5
L'algorithme Apriori
6
Les Etapes
Étape 2 : Construire la première table (L1)
Étape 1 : Définir les termes
Définir ce qu'est une transaction T (un • Trouver combien de fois chaque article est acheté
ensemble d'articles achetés), un article I (un freq(I).
produit spécifique) et le support minimum • Créer des ensembles d'articles uniques L1(chaque
article individuel).
minSupp (le nombre minimum de fois qu'un
• Calculer le support de chaque article
article doit apparaître pour être considéré supp(I)=freq(I)/∣T∣ où ∣T∣ est le nombre total de
significatif). transactions.
7
Les Etapes
Étape 3 : Générer des ensembles d'articles plus grands Étape 4 : Arrêter ou itérer
• Si nous avons trouvé des ensembles
• Supprimer les articles qui n'atteignent d'articles significatifs, nous nous arrêtons.
pas le support minimum. • Sinon, nous continuons à combiner les
• Combiner les articles restants pour articles et à recalculer le support jusqu'à
former de nouveaux ensembles d'articles obtenir des résultats significatifs.
plus grands LkLk. • Calculer la confiance pour chaque règle
• Calculer le support de chaque nouvel d'association X→Y où X et Y sont des
ensemble d'articles ensembles d'articles
supp(Lk)=freq(Lk)/∣T∣. conf(X→Y)=supp(X∪Y)/supp(X).
8
Exemple d'application
9
Exemple d'application
10
Exemple d'application
ensembles
2/3
I1 I3 2 Non (2 >= 2)
comme 66%
2/3
I2 I3 2 Non (2 >= 2)
comme 66%
11
Statistics
Conf (I1 I3) = Supplément (I1 I3) / Supplément (I1) =
100 %
Conf (I2 I3) = Supplément (I2 I3) / Supplément (I2) =
100 %
Conclusion
Pour conclure la totalité des clients achetant du
pain ou de l’œuf achète du lait. Alors le
propriétaire doit placer le support à lait entre le
support à œufs et à pain .
12
Avantages
Personnalisation des
Détection de tendances Réduction des coûts de
Facilité d'utilisation recommandations clients
cachées stockage
Apriori permet de L'algorithme Apriori est En identifiant les produits En comprenant les
découvrir des associations relativement simple à qui sont rarement achetés habitudes d'achat des clients,
comprendre et à mettre en ensemble, les détaillants Apriori peut recommander
entre des éléments qui
œuvre, offrant ainsi une peuvent ajuster leurs stocks des produits pertinents de
pourraient ne pas être manière personnalisée,
méthode accessible pour pour éviter les excès de
évidentes au départ, améliorant ainsi la
l'analyse des données et la stock et réduire les coûts de
révélant ainsi des stockage inutiles. satisfaction et les ventes.
génération de règles
tendances cachées dans les
d'association.
données.
13
Limites
Sensibilité aux données bruitées :
Les données bruitées ou les éléments exceptionnels peuvent fausser les
résultats d'Apriori en générant des règles d'association peu pertinentes ou
erronées.
Complexité computationnelle
15