, Cette fonction sera développée dans la section 4.2 grâce à l'algorithme 3. Vient ensuite la phase d'extraction des règles valides (lignes 3 à 41) grâce aux motifs extraits précédemment par les fonctions funct_RF et func_NRFM. Ainsi, pour chaque motif raisonnablement fréquent X ? RF de taille strictement supérieure à 1 (ligne 3) et pour chaque conclusion possible Y (ligne 4) où la taille de Y est inférieure ou égale à la taille de X\Y 6 et tel que Y soit un sous-ensemble de X (i.e. Y X), on commence par déterminer le type d'attraction entre X et Y (ligne 5) en comparant la confiance conf (X\Y ? Y ) de la règle X\Y ? Y au support sup(Y ) de sa conclusion Y . Si c'est une attraction positive (ligne 6) c'est-à-dire si conf (X\Y ? Y ) > sup(Y ), alors on s'assure que les règles, deux contraintes supplémentaires : (1) un seuil maximal max sup qui ne doit pas être dépassé par le support de X et (2) un seuil minimal min¨supmin¨ min¨sup pour le support des motifs¨Xmotifs¨ motifs¨X ; ce qui permet de vérifier les contraintes
, La différence est la règle de référence étudiée en premier lieu qui est la règle X\Y ? Y dans le cas où sup(X\Y ) sup(Y ), et la règle Y ? X\Y dans le cas où sup(X\Y ) > sup(Y )
, Si la réponse est positive, alors l'ordre d'étude des différentes règles est le suivant, X\Y ? Y (ligne 26), Y ? X\Y (ligne 28) et X\Y ? Y (ligne 28). La différence est la règle de référence qui est la règle X\Y ? Y dans le cas où sup(X\Y ) sup(Y )
, on doit s'assurer que le motif Y est un motif négatif minimal (ligne 19) ainsi que le motif X\Y (lignes 22, 27, 31), Avant d'étudier ces différentes règles négatives
, Cette contrainte évite d'étudier deux fois les mêmes règles puisque pour le couple de motifs (X\Y, Y ), nous étudions les règles symétriques
, mais également grâce à deux méta-règles permettant d'inférer la non validité des règles X ? Y et des règles Y ? X à partir des règles X ? Y . Les expérimentations ont mis en valeur l'intérêt de notre algorithme en terme de temps de calculs et de nombre de règles extraites malgré l'incorporation d'un nouveau type de règles intégré à notre algorithme. Nous souhaitons poursuivre l'optimisation de notre algorithme en nous penchant sur le problème des règles redondantes, problème non abordé à notre connaissance par les techniques d'extraction de RAPN. Pour finir, abandonnée dans les algorithmes existants d'extraction de RAPN
, Mining association rules between sets of items in large databases, Proceedings of the 8th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pp.207-216, 1993.
, Fast algorithms for mining association rules, Proceedings of the 20th Very Large Data Bases Conference, pp.487-499, 1994.
, Mining positive and negative association rules: an approach for confined rules, Proceedings on Principles and Practice of Knowledge Discovery in Databases, pp.27-38, 2004.
, Ipee : Indice probabiliste d'ecart à l'equilibre pour l'évaluation de la qualité des règles, Atelier Qualité des Données et des Connaissances, pp.26-34, 2005.
, Towards the tractable discovery of association rules with negations, Proceedings of the Fourth International Conference on Flexible Query Answering Systems FQAS'00, pp.425-434, 2000.
, Beyond market baskets : Generalizing association rules to correlation, Proceedings of the 1997 ACM SIGMOD International Conference on Management of Data, ACM, pp.265-276, 1997.
, Mining positive and negative association rules from large databases, Proceedings of International Conference on Cybernetics and Intelligent Systems (CIS'06), pp.613-618, 2006.
, Traitement des donnés volumineuses : mesures et algorithmes d'extraction de règles d'association et règles ordinales, 2000.
, Améliorations de la mesure d'intérêt m GK, Actes des XVIIèmes rencontres de la Société Francophone de Classification, pp.41-45, 2010.
, Actes de la 12ème Conférence Internationale Francophone sur l'Extraction et la Gestion des Connaissances (EGC 2012), Volume E-23 of Revue des Nouvelles Technologies de l'Information, RNTI, pp.231-236, 2012.
, From certainty factors to belief networks, In Artificial Intelligence in Medicine, vol.4, pp.35-52, 1992.
, Rule evaluation measures: a unifying view, Ninth International Worshop on Inductive Logic Programming, vol.1634, pp.174-185, 1999.
, Generating positive and negative exact rules using formal concept analysis : problems and solutions, Proceedings of the Sixth International Conference on Formal Concept Analysis, pp.169-181, 2008.
, Mathematical contributions to the theory of evolution. iii. regression, heredity and panmixia, Philosophical Transactions of the, 1896.
, On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling, In Philosophical Magazine, Series, vol.5, issue.302, pp.157-175, 1900.
, Discovery, analysis, and presentation of strong rules, Knowledge Discovery in Databases, pp.229-248, 1991.
, Mining for strong negative associations in a large database of customer transactions, Proceedings of the 14th International Conference on Data Engineering (ICDE'98), pp.494-502, 1998.
, On the mining of substitution rules for statistically dependent items, Second IEEE International Conference on Data Mining (ICDM'02), pp.442-449, 2002.
, In Data Mining, practical machine learning tools and techniques with Java implementations, 2005.
, Efficient mining of both positive and negative association rules, ACM Transactions on Information Systems (TOIS), vol.22, pp.381-405, 2004.
, Mining negative association rules, Proceedings of the Seventh International Symposium on Computers and Communications (ISCC'02), pp.623-628, 2002.