Soumettre la recherche
Mettre en ligne
Ben harrath arijtp3 les règles d'association
•
0 j'aime
•
1,226 vues
ARIJ BenHarrath
Suivre
les règles d'association Data mining Esprit
Lire moins
Lire la suite
Ingénierie
Signaler
Partager
Signaler
Partager
1 sur 14
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
Les algorithmes de génération des règles d association
Les algorithmes de génération des règles d association
Hajer Trabelsi
Cours Big Data Chap5
Cours Big Data Chap5
Amal Abid
Data mining - Associativité
Data mining - Associativité
Mohamed Heny SELMI
Règles d’association
Règles d’association
Hassine Hammami
Cours bases de données partie 1 Prof. Khalifa MANSOURI
Cours bases de données partie 1 Prof. Khalifa MANSOURI
Mansouri Khalifa
Benharratharijtp4 arbre de décision
Benharratharijtp4 arbre de décision
ARIJ BenHarrath
Introduction to Machine learning
Introduction to Machine learning
Quentin Ambard
Data mining - Introduction générale
Data mining - Introduction générale
Mohamed Heny SELMI
Recommandé
Les algorithmes de génération des règles d association
Les algorithmes de génération des règles d association
Hajer Trabelsi
Cours Big Data Chap5
Cours Big Data Chap5
Amal Abid
Data mining - Associativité
Data mining - Associativité
Mohamed Heny SELMI
Règles d’association
Règles d’association
Hassine Hammami
Cours bases de données partie 1 Prof. Khalifa MANSOURI
Cours bases de données partie 1 Prof. Khalifa MANSOURI
Mansouri Khalifa
Benharratharijtp4 arbre de décision
Benharratharijtp4 arbre de décision
ARIJ BenHarrath
Introduction to Machine learning
Introduction to Machine learning
Quentin Ambard
Data mining - Introduction générale
Data mining - Introduction générale
Mohamed Heny SELMI
Cours des bases de données
Cours des bases de données
yassine kchiri
Théorie de graphe
Théorie de graphe
TECOS
Technologies pour le Big Data
Technologies pour le Big Data
Minyar Sassi Hidri
arbres de decision.ppt
arbres de decision.ppt
Jihane Elârrouchi
Présentation data warehouse etl et olap
Présentation data warehouse etl et olap
Cynapsys It Hotspot
Présentation sur le Data Mining
Présentation sur le Data Mining
Takfarinas KENOUCHE
Chapitre 2 hadoop
Chapitre 2 hadoop
Mouna Torjmen
Data warehouse
Data warehouse
Dimassi Khoulouda
les arbres de décision ou de régression
les arbres de décision ou de régression
Mariem Chaaben
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTM
Jaouad Dabounou
Cours acp mehdi_aman
Cours acp mehdi_aman
Mehdi Aman
Bases de Données non relationnelles, NoSQL (Introduction) 1er cours
Bases de Données non relationnelles, NoSQL (Introduction) 1er cours
Hatim CHAHDI
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
Hassan Lâasri
DataWarehouse
DataWarehouse
nzuguem
Cours Génie Logiciel - Introduction
Cours Génie Logiciel - Introduction
Mohammed Amine Mostefai
interopérabilité en informatique
interopérabilité en informatique
catherine roussey
BI : Analyse des Données avec Mondrian
BI : Analyse des Données avec Mondrian
Lilia Sfaxi
Les systèmes experts
Les systèmes experts
Bruno Delb
Python For Data Science - French Course
Python For Data Science - French Course
Haytam EL YOUSSFI
BigData_TP5 : Neo4J
BigData_TP5 : Neo4J
Lilia Sfaxi
Collectif Etc - SuperVille-1-2-3-feb-2013
Collectif Etc - SuperVille-1-2-3-feb-2013
CollectifEtc
Aparato locomotor erika
Aparato locomotor erika
ErikaHorcajo
Contenu connexe
Tendances
Cours des bases de données
Cours des bases de données
yassine kchiri
Théorie de graphe
Théorie de graphe
TECOS
Technologies pour le Big Data
Technologies pour le Big Data
Minyar Sassi Hidri
arbres de decision.ppt
arbres de decision.ppt
Jihane Elârrouchi
Présentation data warehouse etl et olap
Présentation data warehouse etl et olap
Cynapsys It Hotspot
Présentation sur le Data Mining
Présentation sur le Data Mining
Takfarinas KENOUCHE
Chapitre 2 hadoop
Chapitre 2 hadoop
Mouna Torjmen
Data warehouse
Data warehouse
Dimassi Khoulouda
les arbres de décision ou de régression
les arbres de décision ou de régression
Mariem Chaaben
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTM
Jaouad Dabounou
Cours acp mehdi_aman
Cours acp mehdi_aman
Mehdi Aman
Bases de Données non relationnelles, NoSQL (Introduction) 1er cours
Bases de Données non relationnelles, NoSQL (Introduction) 1er cours
Hatim CHAHDI
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
Hassan Lâasri
DataWarehouse
DataWarehouse
nzuguem
Cours Génie Logiciel - Introduction
Cours Génie Logiciel - Introduction
Mohammed Amine Mostefai
interopérabilité en informatique
interopérabilité en informatique
catherine roussey
BI : Analyse des Données avec Mondrian
BI : Analyse des Données avec Mondrian
Lilia Sfaxi
Les systèmes experts
Les systèmes experts
Bruno Delb
Python For Data Science - French Course
Python For Data Science - French Course
Haytam EL YOUSSFI
BigData_TP5 : Neo4J
BigData_TP5 : Neo4J
Lilia Sfaxi
Tendances
(20)
Cours des bases de données
Cours des bases de données
Théorie de graphe
Théorie de graphe
Technologies pour le Big Data
Technologies pour le Big Data
arbres de decision.ppt
arbres de decision.ppt
Présentation data warehouse etl et olap
Présentation data warehouse etl et olap
Présentation sur le Data Mining
Présentation sur le Data Mining
Chapitre 2 hadoop
Chapitre 2 hadoop
Data warehouse
Data warehouse
les arbres de décision ou de régression
les arbres de décision ou de régression
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTM
Cours acp mehdi_aman
Cours acp mehdi_aman
Bases de Données non relationnelles, NoSQL (Introduction) 1er cours
Bases de Données non relationnelles, NoSQL (Introduction) 1er cours
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
DataWarehouse
DataWarehouse
Cours Génie Logiciel - Introduction
Cours Génie Logiciel - Introduction
interopérabilité en informatique
interopérabilité en informatique
BI : Analyse des Données avec Mondrian
BI : Analyse des Données avec Mondrian
Les systèmes experts
Les systèmes experts
Python For Data Science - French Course
Python For Data Science - French Course
BigData_TP5 : Neo4J
BigData_TP5 : Neo4J
En vedette
Collectif Etc - SuperVille-1-2-3-feb-2013
Collectif Etc - SuperVille-1-2-3-feb-2013
CollectifEtc
Aparato locomotor erika
Aparato locomotor erika
ErikaHorcajo
Vida y obra de charles baudelaire
Vida y obra de charles baudelaire
manubusta03
Mit E-Mail Intelligence zu mehr Erfolg im E-Mail Marketing
Mit E-Mail Intelligence zu mehr Erfolg im E-Mail Marketing
Connected-Blog
Presentación1
Presentación1
angelsaviddiazfranco
Bulletin de veille 15 du 5 au 12 janvier 2015
Bulletin de veille 15 du 5 au 12 janvier 2015
Françoise Grave
Vivre en France
Vivre en France
Denis Papy
Brecha d. pirateria
Brecha d. pirateria
yulissalizz
Dadaísmo
Dadaísmo
kss23
0.4 estrategias de aprendizaje
0.4 estrategias de aprendizaje
ramirez34
Cultura, Ciudad y acción colectiva
Cultura, Ciudad y acción colectiva
kportilla
Resultados de la encuesta karime y danielaa
Resultados de la encuesta karime y danielaa
daniela4562
Hecho bebes
Hecho bebes
Janeth Castañeda
Kundenbindung mit digitalen Wallet-Systemen
Kundenbindung mit digitalen Wallet-Systemen
Connected-Blog
Lync Conference France – avril 2014
Lync Conference France – avril 2014
Microsoft Décideurs IT
Les ponts prestigieux du monde
Les ponts prestigieux du monde
Victor REIBEL
Abwasserförderschnecken
Abwasserförderschnecken
Bittorf
eReserve Produktpräsentation
eReserve Produktpräsentation
eReserve UG (haftungsbeschränkt)
Artisans : comment utiliser le web pour augmenter votre CA ?
Artisans : comment utiliser le web pour augmenter votre CA ?
Nicolas Gillet
Lugares del mundo
Lugares del mundo
AngelitaNR
En vedette
(20)
Collectif Etc - SuperVille-1-2-3-feb-2013
Collectif Etc - SuperVille-1-2-3-feb-2013
Aparato locomotor erika
Aparato locomotor erika
Vida y obra de charles baudelaire
Vida y obra de charles baudelaire
Mit E-Mail Intelligence zu mehr Erfolg im E-Mail Marketing
Mit E-Mail Intelligence zu mehr Erfolg im E-Mail Marketing
Presentación1
Presentación1
Bulletin de veille 15 du 5 au 12 janvier 2015
Bulletin de veille 15 du 5 au 12 janvier 2015
Vivre en France
Vivre en France
Brecha d. pirateria
Brecha d. pirateria
Dadaísmo
Dadaísmo
0.4 estrategias de aprendizaje
0.4 estrategias de aprendizaje
Cultura, Ciudad y acción colectiva
Cultura, Ciudad y acción colectiva
Resultados de la encuesta karime y danielaa
Resultados de la encuesta karime y danielaa
Hecho bebes
Hecho bebes
Kundenbindung mit digitalen Wallet-Systemen
Kundenbindung mit digitalen Wallet-Systemen
Lync Conference France – avril 2014
Lync Conference France – avril 2014
Les ponts prestigieux du monde
Les ponts prestigieux du monde
Abwasserförderschnecken
Abwasserförderschnecken
eReserve Produktpräsentation
eReserve Produktpräsentation
Artisans : comment utiliser le web pour augmenter votre CA ?
Artisans : comment utiliser le web pour augmenter votre CA ?
Lugares del mundo
Lugares del mundo
Similaire à Ben harrath arijtp3 les règles d'association
Analyzing a churn data set
Analyzing a churn data set
Rasoul Baharifard
Les algorithmes de génération des règles d association
Les algorithmes de génération des règles d association
Hajer Trabelsi
TP Fouille de données (Data Mining) et Apprentissage Machine
TP Fouille de données (Data Mining) et Apprentissage Machine
Boubaker KHMILI
Data Mining
Data Mining
Nour El Houda Megherbi
Salesforce Einstein analytics - Formation sur les-bases - By iMalka
Salesforce Einstein analytics - Formation sur les-bases - By iMalka
Ilan Malka
Proposition d'une politique de sécurité pour les systèmes de base de données ...
Proposition d'une politique de sécurité pour les systèmes de base de données ...
Aichétou Djimé Gallédou
Data Mining (Partie 3).pdf
Data Mining (Partie 3).pdf
OuailChoukhairi
P15 Eda05 V D
P15 Eda05 V D
kamel.aouiche
systeme expert_systeme expert_systeme expert
systeme expert_systeme expert_systeme expert
ChristianMbip
Similaire à Ben harrath arijtp3 les règles d'association
(9)
Analyzing a churn data set
Analyzing a churn data set
Les algorithmes de génération des règles d association
Les algorithmes de génération des règles d association
TP Fouille de données (Data Mining) et Apprentissage Machine
TP Fouille de données (Data Mining) et Apprentissage Machine
Data Mining
Data Mining
Salesforce Einstein analytics - Formation sur les-bases - By iMalka
Salesforce Einstein analytics - Formation sur les-bases - By iMalka
Proposition d'une politique de sécurité pour les systèmes de base de données ...
Proposition d'une politique de sécurité pour les systèmes de base de données ...
Data Mining (Partie 3).pdf
Data Mining (Partie 3).pdf
P15 Eda05 V D
P15 Eda05 V D
systeme expert_systeme expert_systeme expert
systeme expert_systeme expert_systeme expert
Dernier
JTC 2024 - Réglementation européenne BEA et Transport.pdf
JTC 2024 - Réglementation européenne BEA et Transport.pdf
Institut de l'Elevage - Idele
JTC 2024 La relance de la filière de la viande de chevreau.pdf
JTC 2024 La relance de la filière de la viande de chevreau.pdf
Institut de l'Elevage - Idele
GAL2024 - Parcellaire des fermes laitières : en enjeu de compétitivité et de ...
GAL2024 - Parcellaire des fermes laitières : en enjeu de compétitivité et de ...
Institut de l'Elevage - Idele
GAL2024 - Situation laitière 2023-2024 : consommation, marchés, prix et revenus
GAL2024 - Situation laitière 2023-2024 : consommation, marchés, prix et revenus
Institut de l'Elevage - Idele
GAL2024 - Changements climatiques et maladies émergentes
GAL2024 - Changements climatiques et maladies émergentes
Institut de l'Elevage - Idele
WBS OBS RACI_2020-etunhjjlllllll pdf.pdf
WBS OBS RACI_2020-etunhjjlllllll pdf.pdf
Sophie569778
JTC 2024 Bâtiment et Photovoltaïque.pdf
JTC 2024 Bâtiment et Photovoltaïque.pdf
Institut de l'Elevage - Idele
GAL2024 - Renouvellement des actifs : un enjeu pour la filière laitière franç...
GAL2024 - Renouvellement des actifs : un enjeu pour la filière laitière franç...
Institut de l'Elevage - Idele
GAL2024 - Méthane 2030 : une démarche collective française à destination de t...
GAL2024 - Méthane 2030 : une démarche collective française à destination de t...
Institut de l'Elevage - Idele
CAP2ER_GC_Presentation_Outil_20240422.pptx
CAP2ER_GC_Presentation_Outil_20240422.pptx
Institut de l'Elevage - Idele
Câblage, installation et paramétrage d’un réseau informatique.pdf
Câblage, installation et paramétrage d’un réseau informatique.pdf
mia884611
GAL2024 - Consommations et productions d'énergies dans les exploitations lait...
GAL2024 - Consommations et productions d'énergies dans les exploitations lait...
Institut de l'Elevage - Idele
GAL2024 - Décarbonation du secteur laitier : la filière s'engage
GAL2024 - Décarbonation du secteur laitier : la filière s'engage
Institut de l'Elevage - Idele
JTC 2024 - DeCremoux_Anomalies_génétiques.pdf
JTC 2024 - DeCremoux_Anomalies_génétiques.pdf
Institut de l'Elevage - Idele
Algo II : les piles ( cours + exercices)
Algo II : les piles ( cours + exercices)
Sana REFAI
JTC 2024 - SMARTER Retour sur les indicateurs de santé .pdf
JTC 2024 - SMARTER Retour sur les indicateurs de santé .pdf
Institut de l'Elevage - Idele
GAL2024 - Traite des vaches laitières : au coeur des stratégies d'évolution d...
GAL2024 - Traite des vaches laitières : au coeur des stratégies d'évolution d...
Institut de l'Elevage - Idele
GAL2024 - L'élevage laitier cultive la biodiversité
GAL2024 - L'élevage laitier cultive la biodiversité
Institut de l'Elevage - Idele
comprehension de DDMRP dans le domaine de gestion
comprehension de DDMRP dans le domaine de gestion
yakinekaidouchi1
JTC 2024 - Leviers d’adaptation au changement climatique, qualité du lait et ...
JTC 2024 - Leviers d’adaptation au changement climatique, qualité du lait et ...
Institut de l'Elevage - Idele
Dernier
(20)
JTC 2024 - Réglementation européenne BEA et Transport.pdf
JTC 2024 - Réglementation européenne BEA et Transport.pdf
JTC 2024 La relance de la filière de la viande de chevreau.pdf
JTC 2024 La relance de la filière de la viande de chevreau.pdf
GAL2024 - Parcellaire des fermes laitières : en enjeu de compétitivité et de ...
GAL2024 - Parcellaire des fermes laitières : en enjeu de compétitivité et de ...
GAL2024 - Situation laitière 2023-2024 : consommation, marchés, prix et revenus
GAL2024 - Situation laitière 2023-2024 : consommation, marchés, prix et revenus
GAL2024 - Changements climatiques et maladies émergentes
GAL2024 - Changements climatiques et maladies émergentes
WBS OBS RACI_2020-etunhjjlllllll pdf.pdf
WBS OBS RACI_2020-etunhjjlllllll pdf.pdf
JTC 2024 Bâtiment et Photovoltaïque.pdf
JTC 2024 Bâtiment et Photovoltaïque.pdf
GAL2024 - Renouvellement des actifs : un enjeu pour la filière laitière franç...
GAL2024 - Renouvellement des actifs : un enjeu pour la filière laitière franç...
GAL2024 - Méthane 2030 : une démarche collective française à destination de t...
GAL2024 - Méthane 2030 : une démarche collective française à destination de t...
CAP2ER_GC_Presentation_Outil_20240422.pptx
CAP2ER_GC_Presentation_Outil_20240422.pptx
Câblage, installation et paramétrage d’un réseau informatique.pdf
Câblage, installation et paramétrage d’un réseau informatique.pdf
GAL2024 - Consommations et productions d'énergies dans les exploitations lait...
GAL2024 - Consommations et productions d'énergies dans les exploitations lait...
GAL2024 - Décarbonation du secteur laitier : la filière s'engage
GAL2024 - Décarbonation du secteur laitier : la filière s'engage
JTC 2024 - DeCremoux_Anomalies_génétiques.pdf
JTC 2024 - DeCremoux_Anomalies_génétiques.pdf
Algo II : les piles ( cours + exercices)
Algo II : les piles ( cours + exercices)
JTC 2024 - SMARTER Retour sur les indicateurs de santé .pdf
JTC 2024 - SMARTER Retour sur les indicateurs de santé .pdf
GAL2024 - Traite des vaches laitières : au coeur des stratégies d'évolution d...
GAL2024 - Traite des vaches laitières : au coeur des stratégies d'évolution d...
GAL2024 - L'élevage laitier cultive la biodiversité
GAL2024 - L'élevage laitier cultive la biodiversité
comprehension de DDMRP dans le domaine de gestion
comprehension de DDMRP dans le domaine de gestion
JTC 2024 - Leviers d’adaptation au changement climatique, qualité du lait et ...
JTC 2024 - Leviers d’adaptation au changement climatique, qualité du lait et ...
Ben harrath arijtp3 les règles d'association
1.
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
2.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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))
3.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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
4.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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"))
5.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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
6.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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.
7.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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.
8.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 6.
Visualisation des Règles d’Association : plot(rules) #Paramétrage avancé de la visualisation sel <- plot(rules, measure=c("support", "lift"), shading="confidence", interactive=TRUE)
9.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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))
10.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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
11.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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
12.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 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"))
13.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 .
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
14.
Data Mining Data-mining@esprit.tn ESPRIT©2013-2014 sel
<- plot(basket_rules, measure=c("support", "lift"), shading="confidence", interactive=TRUE)
Télécharger maintenant