Réduction de la dimensionnalité pour l'extraction de règles d'association

Les valeurs utilisées comme référence pour l'extraction de règles d'association sont la valeur de soutien et la valeur de confiance. Plus la valeur du support et la valeur de confiance sont élevées, meilleures sont les règles résultantes. Les algorithmes d'extraction de règles d'association appliquent un apprentissage non supervisé parce que la règle résultante n'est pas déterminée pour être une certaine classe. Les performances des algorithmes d'extraction de règles d'association dépendent fortement de la taille de l'ensemble de données / des dimensions utilisées. La performance peut être mesurée à partir du moment où le traitement est généré. Plus l'ensemble de données est grand, plus les dimensions seront importantes et plus le temps de traitement sera long. Si la dimensionnalité de l'ensemble de données peut être élaguée, le temps de traitement sera plus rapide et les performances seront meilleures, avec des valeurs de confiance relativement inchangées. L'intersection est une sorte de théorie des ensembles qui permet de réduire le nombre d'attributs sur des ensembles connexes. Oracle est l'un des SGBDR, les ensembles connexes peuvent être appliqués au SGBDR Oracle comme les tables connexes. L'algorithme IST-EFP est un algorithme proposé qui combine l'EFP (Expand FP-Growth) avec la théorie des ensembles. Dans cette étude, l'algorithme IST-EFP peut réduire la dimension de l'ensemble de données à 87,5% avec une amélioration de 26,6% sur le temps de traitement.