Une méthode d'apprentissage par optimisation multicritère pour le rangement de motifs en fouille de données - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier
Conference Papers Year : 2022

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

Abstract

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.
Fichier principal
Vignette du fichier
1002739.pdf (614.75 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

lirmm-03687103 , version 1 (03-06-2022)

Identifiers

  • HAL Id : lirmm-03687103 , version 1

Cite

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. EGC 2022 - 22e Conférence Extraction et Gestion des Connaissances, Jan 2022, Blois, France. ⟨lirmm-03687103⟩
143 View
122 Download

Share

More