Réduction de la dimensionnalité pour l'extraction de règles d'association [French]

By Boby Siswanto

Les valeurs utilis?es comme r?f?rence pour l'extraction de r?gles d'association sont la valeur de soutien et la valeur de confiance. Plus la valeur du support et la valeur de confiance sont ?lev?es, meilleures sont les r?gles r?sultantes. Les algorithmes d'extraction de r?gles d'association appliquent un apprentissage non supervis? parce que la r?gle r?sultante n'est pas d?termin?e pour ?tre une certaine classe. Les performances des algorithmes d'extraction de r?gles d'association d?pendent fortement de la taille de l'ensemble de donn?es / des dimensions utilis?es. La performance peut ?tre mesur?e ? partir du moment o? le traitement est g?n?r?. Plus l'ensemble de donn?es est grand, plus les dimensions seront importantes et plus le temps de traitement sera long. Si la dimensionnalit? de l'ensemble de donn?es peut ?tre ?lagu?e, le temps de traitement sera plus rapide et les performances seront meilleures, avec des valeurs de confiance relativement inchang?es. L'intersection est une sorte de th?orie des ensembles qui permet de r?duire le nombre d'attributs sur des ensembles connexes. Oracle est l'un des SGBDR, les ensembles connexes peuvent ?tre appliqu?s au SGBDR Oracle comme les tables connexes. L'algorithme IST-EFP est un algorithme propos? qui combine l'EFP (Expand FP-Growth) avec la th?orie des ensembles. Dans cette ?tude, l'algorithme IST-EFP peut r?duire la dimension de l'ensemble de donn?es ? 87,5% avec une am?lioration de 26,6% sur le temps de traitement.

• Format: Paperback
• Language: French
• ISBN: 6205714280
• ISBN13: 9786205714287
• Release Date: February 2023
• Publisher: Editions Notre Savoir
• Length: 64 Pages
• Weight: 0.23 lbs.
• Dimensions: 0.1" x 6.0" x 9.0"