Algorithme APriori

Cet article est une ébauche concernant l’informatique.

Vous pouvez partager vos connaissances en l’améliorant (comment ? ) selon les recommandations des projets correspondants.

L'algorithme APriori^[1] est un algorithme d'exploration de données conçu en 1994, par Rakesh Agrawal et Ramakrishnan Sikrant, dans le domaine de l'apprentissage des règles d'association. Il sert à reconnaître des propriétés qui reviennent fréquemment dans un ensemble de données et d'en déduire une catégorisation.

Principes

[modifier | modifier le code ]

L'algorithme Apriori s'exécute en deux étapes :

Soient minsupp l'indice de support minimum donné, et minconf l'indice de confiance donné.
Génération de tous les itemsets fréquents c'est-à-dire
$IF=\left\{\mathrm {X} _{i}\subseteq \mathrm {T} |supp{\bigl (}\mathrm {X} _{i}{\bigr )}=\mathrm {X} _{i}.count\geq minsupp,i=1,2,..n\right\}$ {\displaystyle IF=\left\{\mathrm {X} _{i}\subseteq \mathrm {T} |supp{\bigl (}\mathrm {X} _{i}{\bigr )}=\mathrm {X} _{i}.count\geq minsupp,i=1,2,..n\right\}}
Génération de toutes les règles d'associations de confiance à partir des itemsets fréquents, c'est-à-dire

\left\{\mathrm {X} _{i},Y_{j}\subseteq IF|\mathrm {X} _{i}\cap Y_{j}=\varnothing \wedge Conf(\mathrm {X} _{i}\rightarrow Y_{j})\geq minconf~i=1,2,..p~j=1,2,..q\right\}

{\displaystyle \left\{\mathrm {X} _{i},Y_{j}\subseteq IF|\mathrm {X} _{i}\cap Y_{j}=\varnothing \wedge Conf(\mathrm {X} _{i}\rightarrow Y_{j})\geq minconf~i=1,2,..p~j=1,2,..q\right\}}