Ben harrath arijtp3 les règles d'association

Data Mining
Data-mining@esprit.tn ESPRIT©2013-2014
TP n°3 : Règles d’associations
Ben harrath arij 4infini
Note
Ce TP est à rendre en fin de séance.
Objectifs généraux
Dans ce TP, nous allons appliquer la méthode des règles associatives sur des échantillons de données, afin d’extraire
des dépendances entre des profils, des articles, des produits…en se basant sur les critères de pertinence étudiés
dans le cours (support, confidence, lift)
I. Etude des profils de demandes de Crédits
library : arules
//voir la description du dataset en pièce jointe (credit-german.doc)
1. Chargement du package :
2. Importation des données :
3. Transformation des données :
library(arules)
credit<-read.table(file="credit-german.txt",sep="t",header=T)
#transformer les données attributs-variables en données transactionnelles
cerdit1=as(credit,"transactions")
cerdit1
On Doit FAIRE DES transactions pour les transformer les données en tableau binaire

Data Mining
4. Extraction des règles :
Appliquer l’algorithme Apriori, en prenant en considération les seuils minimums :
- support 0.25
- confiance 0.75
5. Affichage des dix premières règles :
#extraction des règles
rules <- apriori(credit, parameter = list(supp = 0.25, conf =0.75,target ="rule"))
inspect(head(sort(rules ),10))

Data Mining
6. Affichages des cinq premiers lift :
#afficher les 5 règles avec le lift le + élevé
inspect(head(sort(rules,by="lift"),5))
On remarque que tous les valeurs varient si lift=1 donc on peut rien remarquer si lift<1 alors il s’agit d’une
coloration négative

Data Mining
II. Etude des relations entre les produits vendus dans une épicerie
library : arules, arulesViz
Groceries est un dataset de format transactions contenant 9835 opérations de ventes agrégées avec
169 catégories de produits, prises durant un mois.
1. Chargement du package :
2. Importation des données :
3. Extraction des règles :
Appliquer l’algorithme Apriori, en prenant en considération les seuils minimums :
- support 0.001
- confiance 0.5
#charger les packages
library(arulesViz)
data("Groceries")
#affichage des transactions
LIST(Groceries)
#statistiques descriptives
…
rules <- apriori(Groceries, parameter = list(supp = 0.001, conf = 0.5,target ="rules"))

Data Mining
5668 règles :Dont les supports varient de 0.001017 et 0.2267, les confiances de 0.5 à 1, et les valeurs de lift
de 1.957 à 18.996
On constate que les valeurs de lift sont tous supérieurs à 1 donc il s’agit d’une corrélation positive
Tester des différentes valeurs de supports et de confiance, ainsi que le paramétrage de la longueur des règles
Interpréter les résultats :
rules <- apriori(Groceries, parameter = list(supp = 0.01, conf = 0.025,target ="rules"))
on a changé les valeurs de support et de confiance

Data Mining
Si on change les valeurs de support et de confiance les règles diminuent plus précisément :
Quand la confiance diminue le nombre de règles augmente, si le support diminue le nombre de règles
augmente.
Quand la confiance augmente le nombre de règles diminue, si le support augmente le nombre de règles
diminue.

Data Mining
Aussi on a remarqué que le nombre des règles a diminué donc on constate que on changeant l’intervalle le
nombre des règles varient .
4. Affichages des dix premiers lift :
On remarque que lift est toujours positive donc il s’agit une forte corrélation
5. Interprétation
Proposer un nouveau rangement des produits dans l’épicerie.
Quand la confiance augmente le nombre de règles diminue ,si le support augmente le nombre de règles
diminue.
inspect(head(sort(rules, by="lift"),10))
On peut associer les instants food et les sodas et les popcorns et les hamburgers doivent être associé
ensemble ensemble.

Data Mining
6. Visualisation des Règles d’Association :
plot(rules)
#Paramétrage avancé de la visualisation
sel <- plot(rules, measure=c("support", "lift"), shading="confidence", interactive=TRUE)

Data Mining
Le résultat de l'interaction. En utilisant une sélection de boîte les règles
avec la plus grande portance sont sélectionnés. En utilisant le bouton inspecter, les règles sont affichées
dans la borne-dessous du dispositif de traçage
plot(rules, method="matrix", measure=c("lift", "confidence"))
plot(rules, method="matrix", measure=c("lift", "confidence"),
control=list(reorder=TRUE))

Data Mining
plot(rules, method="grouped")
Pour visualiser la matrice regroupés, nous utilisons un terrain de ballon avec des groupes antécédents.
La visualisation résultante est représentée sur la figure. Le groupe de la plupart des règles intéressantes
selon ascenseur sont présentés dans le coin supérieur gauche de l'intrigue. Il y a 3 règles qui contiennent
des produits alimentaires instantanée 2 autres items en antécédent et la conséquence est
hamburger meat
plot(rules, method="matrix", measure=c("lift", "confidence"))
La figures représente des tracés avec deux mesures d'intérêt. La légende est ici une matrice de couleurs.
En faisant correspondre un carré avec la couleur fermée dans la légende, nous pouvons déterminer à la
fois, le support et la confidence

Data Mining
III. Market Basket Analyse
Importation des données :
market_basket<- read.transactions(file='market_basket.csv', rm.duplicates=F, format='single', sep=',', cols=c(1,2));
market_basket<-read.table(file="market_basket.txt",sep="t",header=T)
market <- as(as.matrix(market_basket), "transactions")
basket_rules <- apriori(market, parameter = list(sup = 0.005, conf = 0.01, target="rules"))
summary(basket_rules )
On Remarque que le nombre deS règles est 23058938

Data Mining
basket_rules <- apriori(market, parameter = list(sup = 0.01, conf = 0.01, target="rules"))
summary(rules)
inspect(head(sort(basket_rules),10))
Les valeurs de lift sont égaux a 1 donc on peut rien remarquer
On va varier les valeurs de confiance et de support
Après la variance on remarque que le nombre des règles est 50
plot(basket_rules, method="graph", control=list(type="items"))

Data Mining
. Cette représentation se concentre sur la façon dont les règles sont composées des éléments individuels et des
spectacles qui partagent les règles.
plot(basket_rules, method="matrix3D", measure="lift")
Une représentation alternative est d'utiliser des barres 3D au lieu de rectangles de couleur pour modéliser les
antécédents en fonction des lifts

Data Mining
sel <- plot(basket_rules, measure=c("support", "lift"), shading="confidence", interactive=TRUE)

Ben harrath arijtp3 les règles d'association

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (20)

Similaire à Ben harrath arijtp3 les règles d'association

Similaire à Ben harrath arijtp3 les règles d'association (9)

Dernier

Dernier (20)

Ben harrath arijtp3 les règles d'association