L’exploration de données, connue aussi sous différentes autres appellations dont la fouille de données, prospection de données ou le plus souvent data mining, a pour objet l’extraction de connaissances à partir de données volumineuses.
L’utilisation des techniques de data mining consiste à convertir les données en connaissances appropriées pouvant être utiles à la prise de décision. Dans ce domaine, la recherche des règles d’association est une méthode répandue pour
découvrir des relations ayant un intérêt pour la prise de décision en particulier lorsque les bases de données sont très volumineuses. Néanmoins, le défi majeur consiste à trouver les règles d’association les plus pertinentes. Dans cet article,
nous proposons un framework dont l’objectif est la génération de règles d’association optimisées. Nous considérons trois approches: la première approche applique trois algorithmes de data mining : Apriori, Close et Charm; la second approche complète ces algorithmes en intégrant un algorithme génétique et la dernière approche applique d’abord l’algorithme
génétique sur la base de données, dans un objectif de diversification suivi par des algorithmes de data mining. Notre objectif étant la génération des règles d’association les plus optimales en termes de pertinence, une nouvelle mesure de qualité des règles d’association générées a été proposée. Les résultats d’expérimentation démontrent l’apport de l’intégration des techniques de data mining avec les algorithmes génétiques.

Auteurs : Nour-Eddine Aissaouia

Téléchargement : PDF