Découverte de règles de fouille de motifs dans les bases de données transactionnelles
| dc.contributor.author | Miloudi, Fatima | |
| dc.contributor.author | Zohra Hammadi Moncef, Hammadi Moncef | |
| dc.date.accessioned | 2024-10-31T11:23:39Z | |
| dc.date.available | 2024-10-31T11:23:39Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | A major problem in data mining is High Utility Pattern Mining (HUPM), which seeks to find combinations of items that have a significant impact on a specific metric, such as sales, profits or customer satisfaction. Due to the growth in the volume of data in the field of Big Data, it is essential to design efficient algorithms to quickly extract these sets of high-value elements. In our study, we address the topic of finding high utility patterns in real transactional data bases. The objective is to discover very useful patterns in these bases. The utility of an item in the database represents its importance in relation to other items ; it can often be associated with the price of the item, but can also be defined by other criteria. Two algorithms were tested and applied on two real bases : the first from a pharmacy and the second containing purchases made in a fruit shop. This allows to extract two different forms of high-utility patterns : High Utility Itemsets (HUIs) and High Utility Association Rules (HARs) | en_US |
| dc.identifier.issn | MM/846 | |
| dc.identifier.uri | http://10.10.1.6:4000/handle/123456789/5670 | |
| dc.language.iso | fr | en_US |
| dc.publisher | Université de Bordj Bou Arreridj Faculty of Mathematics and Computer Science | en_US |
| dc.subject | Haute utilité, fouille de motifs, fouille d’itemsets à haute utilité, Sequential Pat tern Mining Framework (SPMF), Transaction Weighted Utilization (TWU), règles d’associa tion à haute utilité, fouille d’itemsets fréquen | en_US |
| dc.subject | High Utility, Pattern Mining, High Utility Itemsets Mining, Sequential Pattern Mining Framework (SPMF), Transaction Weighted Utilization, High Utility Association Rules, Frequent Itemset Mining | en_US |
| dc.title | Découverte de règles de fouille de motifs dans les bases de données transactionnelles | en_US |
| dc.type | Thesis | en_US |
Files
Original bundle
1 - 1 of 1
- Name:
- Discovering Pattern Mining Rules in Transactional Databases.pdf
- Size:
- 2.8 MB
- Format:
- Adobe Portable Document Format
- Description:
- À travers ce mémoire, nous avons examiné en profondeur le domaine de la fouille de don nées, en mettant l’accent sur la fouille des motifs à haute utilité, High Utility Pattern Mining (HUPM). Les méthodes représentatives dans ce domaine ont été étudiées et les algorithmes clés ont été analysés pour extraire des ensembles de motifs significatifs. Dans un premier temps, nous avons souligné l’importance croissante de la fouille de don nées dans notre société contemporaine, où la quantité de données produites quotidiennement est considérable. Grâce à la fouille de données, nous avons la possibilité de découvrir des in formations cachées, des modèles et des tendances à partir de ces données massives. Ensuite, les algorithmes d’extraction des itemsets fréquents ont été examinés, tout en mettant en lumière les limites de la fouille des itemsets fréquents. À ce stade, nous avons identifié l’importance d’extraire les motifs à haute utilité. Cette approche vise à extraire des motifs pertinents à partir de grandes quantités de données en tenant compte de l’utilité des éléments de données plutôt que de leur fréquence. Dans la partie pratique de ce mémoire (Chapitre 4), nous avons utilisé deux algorithmes de fouille de motifs à haute utilité, FHM et HGB-ALL, pour extraire deux catégories de motifs à partir de bases de données réelles. Les motifs étudiés comprennent les itemsets à haute utilité et les règles d’association à haute utilité. 60 Les bases de données réelles posent souvent des défis supplémentaires par rapport aux bases de données artificielles lorsqu’elles sont utilisées avec des algorithmes d’extraction de motifs. Nous avons notamment rencontré un défi significatif lié au volume des données dans les bases de données réelles. Par exemple, une fois que la base de données de la pharmacie a été pré traitée, le nombre total de transactions atteint plus de 2720 transactions impliquant plus de 672 articles différents. Plusieurs pistes sont envisagées pour étendre et améliorer ce travail : Nous envisageons d’explorer d’autres types de motifs, tels que les motifs séquentiels à grande utilité, et nous sou haitons également tester ces algorithmes sur des bases de données plus complexes afin d’obtenir des patterns plus intéressants
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: