Extraction des connaissances par les règles d’association : extension au cas flous

Abstract

La Logique floue a un fort impact sur les méthodes de la fouille de données, particulièrement dans les règles d’association. Plusieurs recherches ont été effectuées pour aborder le sujet et plusieurs problèmes ont été rencontrés. Parmi ces problèmes, on trouve celui des mesures d’intérêt d’une règle d’association floue, par exemple la façon de calcul du support, sachant qu’un Item flou est représenté dans les enregistrements d’une base de données par des degrés d’appartenance qui sont inclus dans l’intervalle [0,1]. Ces quantités numériques offrent plusieurs façons de calcul du support et de la confiance. Notre approche consiste en une modification de l’algorithme initial Apriori et concerne plus précisément la manière de calcul du support en utilisant trois approches différentes : la t-norme (en choisissant le minimum des degrés d’appartenance), la t-conorme (en choisissant le maximum des degrés d’appartenance), et le produit des degrés d’appartenances. Enfin, les résultats de ces différentes approches seront présentés et discutés.