Évaluation des algorithmes d’extraction des itemsets à haute utilité basés sur des représentations concises.

Abstract

L’extraction des ensembles d’éléments à haute utilité (HUIM) constitue un enjeu majeur en exploration de données. Elle vise à identifier des combinaisons d’articles ayant un impact significatif sur des indicateurs clés tels que les ventes ou les profits. Face à l’explosion des volumes de données dans l’univers du Big Data, le développement d’algorithmes performants devient essentiel pour repérer ces ensembles à forte utilité de manière rapide et efficace. Dans le cadre de cette étude comparative, nous avons évalué les performances de plusieurs algorithmes HUIM conçus pour produire une représentation concise des résultats. Des expérimentations ont été réalisées sur plusieurs jeux de données volumineux afin d’analyser les performances des algorithmes CHUI-Miner, CHUI-MinerMax, HUCI-Miner-Generators et MinFHM en termes de temps d’exécution, de consommation mémoire et de nombre d’éléments utiles extraits. Les résultats obtenus démontrent que ces algorithmes sont capables d’identifier efficacement des ensembles d’éléments à haute utilité, en affichant des performances notables, aussi bien en rapidité qu’en gestion optimale des ressources mémoire.