7.règles D'association Python.0
7.règles D'association Python.0
7.règles D'association Python.0
Python
Les règles d’association sous Python
CYCLE INGENIEUR
INGÉNIERIE DES SYSTÈMES D’INFORMATION ET BIG DATA
هندسة االنظمة المعلوماتية و المعطيات الضخمة
HRIMECH HAMID
Module : Fouille de doonées
Les règles d’association
Plan
• Introduction
• Mlxtend
• Conclusion
Les règles d’association
Clustering
• Le défi avec beaucoup de ces approches est qu'elles
Regression peuvent:
• être difficiles à régler
• difficiles à interpréter
Neural Networks • nécessitent un peu de préparation des données et
d'ingénierie des fonctionnalités pour obtenir de
Random Forests bons résultats.
En d'autres termes, ils peuvent être très puissants mais
SVM nécessitent beaucoup de connaissances pour être mis en
œuvre correctement.
etc.
Pourquoi une analyse d'association?
• Clustering
• Regression
• Neural Networks
• Random Forests
• SVM
• etc.
Support
Confidence
Lift
MLxtend
• Documentation: http://rasbt.github.io/mlxtend
• PyPI: https://pypi.python.org/pypi/mlxtend
Data
Pour nos données et avec les paramètres ci-dessus, nous avons obtenus 603
itemsets fréquents
Pour nos données et avec les paramètres ci-dessus, nous avons obtenus 603
itemsets fréquents
Les 10 règles qui présentent les LIFT les plus élevés. Nous passons par un tri
décroissant de la base de règles selon le LIFT.