Association Rule Learning

L'Association Rule Learning est une méthode de data mining qui vise à identifier des relations intéressantes entre des variables dans des bases de données volumineuses. Cette technique est particulièrement populaire dans le secteur de la vente au détail pour l'analyse de paniers d'achat, où elle aide à découvrir quelles combinaisons de produits sont fréquemment achetées ensemble. Les règles d'association prennent la forme de « si X, alors Y », où X et Y sont des ensembles d'items.

L'origine de cette approche remonte aux années 1990, avec l'introduction de l'algorithme Apriori par Agrawal et Srikant. Cet algorithme explore les bases de données pour identifier des ensembles d'items fréquents et en déduire des règles d'association pertinentes. L'Apriori utilise une approche itérative, où il génère des candidats fréquents de taille k à partir de candidats fréquents de taille k-1, en exploitant la propriété anti-monotone qui stipule que si un ensemble d'items est fréquent, alors tous ses sous-ensembles le sont également.

Les deux mesures clés dans l'Association Rule Learning sont le support et la confiance. Le support est la proportion de transactions dans la base de données qui contiennent un ensemble d'items particulier, tandis que la confiance mesure à quel point une règle est fiable.