What are association rules in data mining?

• Les règles d'association sont des motifs ou des relations découverts dans des ensembles de données qui se produisent fréquemment ensemble.
• Les règles d'association aident à découvrir les habitudes d'achat et les préférences des clients. Elles contribuent également aux systèmes de recommandation, à la détection des fraudes et à la compréhension des relations entre différentes variables d'un ensemble de données.
• Plusieurs métriques sont utilisées pour évaluer la force et la signification des règles d'association, notamment le support, la confiance et le lift.

Les règles d'association en exploration de données mettent en lumière les relations entre les éléments de données via des énoncés conditionnels (si-alors). Ces règles, issues de motifs fréquents, aident à discerner des associations significatives au sein de grands ensembles de données. En identifiant les co-occurrences, les data scientists extraient des informations exploitables, facilitant la prise de décision dans divers domaines. De l'analyse client à la finance, les règles d'association contribuent à découvrir des motifs et des tendances, favorisant des stratégies éclairées et améliorant l'efficacité opérationnelle.

Qu'est-ce que les règles d'association en exploration de données ?

Les règles d'association représentent des relations conditionnelles entre les éléments de données au sein d'ensembles de données volumineux trouvés dans divers formats de bases de données. Essentiellement, l'extraction de règles d'association utilise des techniques d'apprentissage automatique pour examiner les données à la recherche de motifs récurrents, appelés co-occurrences, au sein d'une base de données. Ces motifs, qui décrivent des associations fréquentes de type si-alors, sont eux-mêmes appelés règles d'association. Voir aussi: La FCC soutient les constructeurs de fibre avec des limites de permis.

Par exemple, si 75 % des clients qui achètent des céréales achètent également du lait, cela suggère une tendance perceptible dans les données transactionnelles indiquant que les acheteurs de céréales optent souvent aussi pour du lait. Une règle d'association dans ce scénario affirmerait un lien entre l'achat de céréales et de lait. Voir aussi: Ofcom révèle les lacunes de couverture mobile sur les trains britanniques.

Divers algorithmes sont employés pour découvrir de tels motifs dans les ensembles de données, capables de traiter de grands volumes de données. L'intelligence artificielle (IA) et les technologies d'apprentissage automatique sont de plus en plus déployées pour permettre à ces algorithmes et à leurs règles d'association de gérer les volumes massifs de données générées aujourd'hui. Voir aussi: Robert Neuwirth.

À lire aussi: 5 rôles et responsabilités en matière de gouvernance des données

Types de règles d'association en exploration de données

Généralisées: Ces règles servent d'exemples globaux, offrant une perspective large des associations entre les points de données. Voir aussi: L'UE réécrit les règles de souveraineté de l'infrastructure IA.

Multiniveaux: Les règles d'association multiniveaux catégorisent les points de données en niveaux de signification distincts, également appelés niveaux d'abstraction. Elles distinguent les associations entre des points de données d'importance variable. Voir aussi: L'UE évince les opérateurs satellites américains du spectre.

Quantitatives: Cette catégorie de règles d'association décrit les cas où des connexions sont établies entre des points de données numériques. Voir aussi: La FCC impose des licences pour les points d'atterrissage des câbles sous-marins aux États-Unis.

Multirelationnelles: Plus complètes que les règles d'association conventionnelles, les règles multirelationnelles s'étendent au-delà des points de données uniques pour englober les relations entre plusieurs bases de données ou bases de données multidimensionnelles. Voir aussi: Les États-Unis ferment la faille des puces d'IA offshore.

Comment fonctionnent les règles d'association ?

Les règles d'association se composent de deux parties: un antécédent (si) et un conséquent (alors). L'antécédent désigne un élément présent dans l'ensemble de données, tandis que le conséquent fait référence à un élément observé en conjonction avec l'antécédent. Ces énoncés si-alors constituent des itemsets, formant la base pour dériver des règles d'association comprenant deux éléments ou plus dans un ensemble de données. Voir aussi: FCC relance les enchères AWS-3 après le défaut de Dish.

Les analystes de données parcourent les ensembles de données à la recherche d'énoncés si-alors fréquemment récurrents, évaluant ensuite le support de ces énoncés en fonction de leur fréquence d'occurrence et la confiance dérivée du nombre d'instances confirmées.

Les règles d'association découlent généralement d'itemsets comportant de nombreux éléments bien représentés dans les ensembles de données. Cependant, générer des règles en examinant tous les itemsets possibles ou un nombre excessif de combinaisons d'éléments produit un volume excessif de règles, souvent dénuées de signification.

Une fois établies, les data scientists et les professionnels des domaines tributaires de l'analyse de données utilisent les règles d'association pour découvrir des motifs significatifs dans les ensembles de données.

À lire aussi: 10 principes de gouvernance des données

Applications des règles d'association

En science des données, les règles d'association sont utilisées pour trouver des corrélations et des co-occurrences entre des ensembles de données. Ce processus, souvent appelé extraction de règles d'association ou recherche d'associations, explore les motifs au sein de référentiels d'informations apparemment disparates tels que les bases de données relationnelles et transactionnelles.

Divers secteurs exploitent les règles d'association à des fins variées, notamment:

Analyse client: Employée pour analyser et prédire le comportement des clients, en particulier dans des domaines tels que les tendances d'achat et l'historique des transactions.

Analyse du panier de la ménagère: Utilisée dans les environnements de vente au détail pour identifier les produits fréquemment achetés ensemble, améliorant ainsi les stratégies de marketing et de vente.

Regroupement de produits et agencement des magasins: Facilite l'examen des données produit pour regrouper les articles en fonction d'attributs communs, aidant à la conception de l'agencement des magasins.

Conception de catalogues: Informe le placement et la présentation des produits dans les catalogues de vente au détail en analysant l'historique d'achat des clients.

Développement de logiciels: Exploitée dans l'apprentissage automatique et l'IA pour développer des programmes capables d'améliorer leur efficacité de manière autonome, en particulier dans les tâches d'exploration de données à grande échelle.

Exploration de texte: Utilisée pour analyser les relations entre les mots et les phrases dans des documents volumineux, générant de nouvelles informations.

Les règles d'association trouvent des applications pratiques dans divers domaines, comme en témoignent:

Santé: Facilite le diagnostic en comparant les relations entre les symptômes de cas antérieurs pour déterminer la probabilité d'une maladie donnée en fonction des symptômes actuels, aidant les médecins dans la prise de décision.

Vente au détail: Améliore les stratégies de marketing et de vente en identifiant les produits couramment achetés ensemble, informant le placement des produits et la priorisation des ventes.

Conception de l'expérience utilisateur: Optimise les interfaces de site Web en fonction des données d'interaction des utilisateurs, améliorant l'engagement et la convivialité.

Divertissement: Alimente les moteurs de recommandation de contenu sur des plateformes comme Netflix et Spotify en analysant le comportement passé des utilisateurs pour suggérer du contenu pertinent.

Finance: Améliore la détection des fraudes dans les transactions en analysant les modèles pour différencier les activités légitimes des activités frauduleuses, renforçant les efforts de gestion des risques.

Cybersécurité: Employée dans les algorithmes d'apprentissage automatique pour détecter et prévenir les cyberattaques en identifiant des modèles anormaux révélateurs de comportements frauduleux.