Règles d'association
L'apprentissage des règles d'association est une technique non supervisée qui découvre des motifs de co-occurrence — des implications « si X alors Y » — au sein de grands ensembles de données transactionnelles. Formalisée à l'origine par Agrawal, Imielinski et Swami (1993) pour l'analyse des paniers d'achat dans les supermarchés, elle est aujourd'hui largement appliquée dans les recommandations de commerce électronique, l'informatique de la santé, la bio-informatique et la recherche comportementale.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207–216. DOI: 10.1145/170035.170072 ↗
- Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2018). Introduction to Data Mining (2nd ed., Ch. 5). Pearson. ISBN: 978-0-13-312890-1
Comment citer cette page
ScholarGate. (2026, June 3). Association Rule Learning (Market Basket Analysis). ScholarGate. https://scholargate.app/fr/machine-learning/association-rules
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Algorithme AprioriApprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →