Étude comparative entre les algorithmes de haute utilité et les algorithmes de représentation concise.

Abstract

La fouille d'ensembles d'items à haute utilité (High Utility Itemset Mining - HUIM) est un problème important dans le domaine de la fouille de données, qui vise à découvrir des combinaisons d'articles ayant un impact significatif sur une mesure spécifique, telle que les ventes, les profits ou la satisfaction des clients. Avec l'augmentation du volume de données dans le contexte du Big Data, il est essentiel de développer des algorithmes efficaces pour extraire rapidement ces ensembles d'items à haute utilité. Dans cette étude comparative, nous avons examiné les performances de les algorithmes de HUIM(FHM)et la représentation concise(MinFHM). Ces algorithmes exploitent des stratégies avancées telles que l'EUCS (Estimated Utility CoOccurrence Structure) et l'utilité list pour améliorer l'efficacité de l'extraction des ensembles d'items à haute utilité. Nous avons réalisé des expériences sur plusieurs ensembles de données de grande taille pour évaluer les performances de FHM et MinFHM en termes de temps d'exécution, de consommation de mémoire et de nombre d'ensembles d'items à haute utilité extraits. Les résultats ont démontré que ces deux algorithmes étaient capables d'extraire efficacement les ensembles d'items à haute utilité, avec des performances remarquables en termes de rapidité et d'utilisation efficace de la mémoire. MinFHM, en particulier, a permis d'obtenir des résultats plus concis en identifiant les ensembles d'items à haute utilité minimaux. Cette étude comparative fournit des informations précieuses pour les chercheurs et les praticiens du domaine de la fouille de données, en mettant en évidence les avantages des algorithmes FHM et MinFHM pour l'extraction des ensembles d'items à haute utilité. Ces algorithmes peuvent être utilisés dans des applications de Big Data pour analyser de grands ensembles de données et extraire des connaissances précieuses. High Utility Itemset Mining (HUIM) is an important problem in the field of data mining, aiming to discover combinations of items that have a significant impact on a specific measure, such as sales, profits, or customer satisfaction. With the increasing volume of data in the context of Big Data, it is crucial to develop efficient algorithms for quickly extracting these high utility itemsets. In this comparative study, we examined the performance of two HUIM algorithms: FHM (Fast High Utility Itemset Mining) and MinFHM (Minimal Fast High Utility Itemset Mining). These algorithms leverage advanced strategies such as Estimated Utility CoOccurrence Structure (EUCS) and utility list to enhance the efficiency of high utility itemset extraction. We conducted experiments on multiple large-scale datasets to evaluate the performance of FHM and MinFHM in terms of execution time, memory consumption, and the number of extracted high utility itemsets. The results demonstrated that both algorithms were capable of efficiently extracting high utility itemsets, with remarkable performance in terms of speed and efficient memory usage. Particularly, MinFHM yielded more concise results by identifying minimal high utility itemsets. This comparative study provides valuable insights for researchers and practitioners in the field of data mining, highlighting the advantages of FHM and MinFHM algorithms for high utility itemset extraction. These algorithms can be employed in Big Data applications to analyze large datasets and extract valuable knowledge.