Skip to Main content Skip to Navigation
Conference papers

Une méthode d'apprentissage par optimisation multicritère pour le rangement de motifs en fouille de données

Résumé : La découverte de motifs pertinents est une tâche difficile en fouille de données. D’une part, des approches ont été proposées pour apprendre automatiquement des fonctions de rangement de motifs spécifiques à l’utilisateur. Ces approches sont souvent efficaces en qualité, mais très coûteuses en temps d’exécution. D’autre part, de nombreuses mesures d’intérêt sont utilisées pour évaluer l’intérêt des motifs dans le but de se rapprocher le plus possible du rangement de l’utilisateur. Dans cet article, nous formulons le problème d’apprentissage des fonctions de rangement des motifs comme un problème d’optimisation multicritère. L’approche proposée permet d’agréger des mesures d’intérêt en une fonction linéaire pondérée dont les poids sont calculés via la méthode AHP (AnalyticHierarchy Process). Des expérimentations menées sur de nombreux jeux de don-nées montrent que notre approche réduit drastiquement le temps d’exécution,tout en assurant un rangement comparable à celui des approches existantes.
Document type :
Conference papers
Complete list of metadata

https://hal-lirmm.ccsd.cnrs.fr/lirmm-03687103
Contributor : Nadjib Lazaar Connect in order to contact the contributor
Submitted on : Friday, June 3, 2022 - 9:48:40 AM
Last modification on : Tuesday, September 27, 2022 - 10:08:52 AM
Long-term archiving on: : Sunday, September 4, 2022 - 6:24:49 PM

File

1002739.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : lirmm-03687103, version 1

Citation

Nassim Belmecheri, Noureddine Aribi, Nadjib Lazaar, Yahia Lebbah, Samir Loudni. Une méthode d'apprentissage par optimisation multicritère pour le rangement de motifs en fouille de données. ECG 2022 - Extraction et Gestion des Connaissances, Jan 2022, Blois, France. ⟨lirmm-03687103⟩

Share

Metrics

Record views

59

Files downloads

15