CIGA+ : un algorithme de calcul d’un ensemble concis de motifs fermés fréquents

Abstract FRE

Sachant que le résultat d’un algorithme de fouille de données data mining peut être très grand même pour des ensembles réduits de données, l’objectif de cet article est de proposer une approche qui permet de réduire ce résultat et donc le temps de calcul en approximant l’ensemble des motifs fermés fréquents (MFF).

Plus précisément, nous proposons CIGA+, Closed Itemset Generation and Approximation, un algorithme qui construit et exploite un graphe de dépendances pour en extraire un ensemble de MFF dont le degré d’approximation (éventuellement nul) dépend de la valeur affectée à deux paramètres d’entrée : la fréquence de co-occurrences de deux items individuels et la tolérance.

Les expérimentations montrent le potentiel de notre approche pour générer un ensemble pertinent de MFF.

De plus, la comparaison de CIGA+ avec un autre algorithme de génération d’un ensemble approximatif de MFF montre la capacité de CIGA+ à extraire rapidement un ensemble de MFF même à partir de bases de données volumineuses et denses.