Règles d’association

enregistrements de transaction bruts, tels que ceux illustrés sur la figure 8 et crée une structure de données sophistiquée pour assurer le suivi des nombres d’éléments (par ex., produits) dans l’ensemble de données. L’algorithme crée des groupes d’éléments (les itemsets) et collecte des comptages statistiques les concernant. Dans le cas du miniexemple d’enregistrement de la figure 8, les statistiques correspondantes auraient la forme illustrée à la fi-gure 9.

L’un des paramètres les plus importants d’un modèle est un seuil permettant d’exclure les éléments et itemsets non populaires. Ce paramètre est appelé le support minimum. Dans l’exemple précédent, si vous définissez le support minimum à 2, les seuls itemsets conservés seront (pain), (lait) et .

Le résultat de cet algorithme est la collection d’itemsets et de règles découlant des données. Chaque règle est fournie avec un score appelé score lift et une certaine valeur de support supérieure ou égale au support minimum. Le score lift mesure le degré de pertinence de la règle dans sa prédiction de l’élément cible. Une fois que l’algorithme trouve les règles intéressantes, vous pouvez facilement les employer pour obtenir des recommandations de produits pour vos sites Web de ventes croisées ou pour des publipostages.