WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Impact de la structure de treillis dans le domaine de fouille de données et la représentation des connaissances.

( Télécharger le fichier original )
par Pascal Sungu Ngoy
Université de Lubumbashi - Diplôme de licence en sciences mathématiques et informatique 2014
  

précédent sommaire suivant

Extinction Rebellion

5.3.4 Interprétation des résultats

Nous avons au total 296 motifs qui ont engendrés 66 règles valides par rapport au seuil que nous nous sommes fixé. Nous nous baserons sur ces règles pour interpréter les résultats. Notons cependant qu'il est important, pour nous, de repérer quelles

74

TABLE 5.4 - Dépendance des règles d'association

75

TABLE 5.5 - Intérêt des règles d'association

76

FIGURE 5.6 - Treillis des concepts généré à partir du logiciel Concept Explorer 1.3

règles sont à nos yeux interprétables en se basant, non seulement, sur le support et la confiance mais aussi sur la dépendance et l'interêt d'une règle d'association. Ce qui nous amène à définir l'interprétabilité d'une règle.

Définition 8 (Règle inteprétable)

Une règle B = H est dite interprétable si l'on peut arriver à relier tous les termes de B et F afin que ceux ci nous emmène vers la connaissance recherchée. Il sera donc question d'expliquer pourquoi il est normal que tel terme apparaisse avec tel autre. Cet explication va souvent refléter ce qui est exprimé par des liens sémantiques(section 5.1.1) dans le domaine considéré.

3.3.1 Les meilleures règles interprétées

Nous vous présentons dans cette section quelques règles qui peuvent facilement nous permettre de trouver la connaissance recherchée.

Règle : 'ontologie' 'linguistique' 'connaissance' = 'corpus' support : "16"; Intérêt: "1.34"; Dépendance : "22%"

Cette règle indique les 16 documents cités présentent des notions sur la linguistique des connaissances mais aussi celles traitant de l'ontologie des connaissances qui est une branche de l'intelligence artificielle qui consiste à représenter les connaissances relatives à un domaine bien spécifique associant ainsi les concepts de base de ce domaine et ses relations afin qu'ils soient compréhensible par les machines. Elle admet un intérêt de 1.34 ce qui signifie que le motif corpus est moyennement intéressant

77

par rapport au motif 'ontologie' 'linguistique' 'connaissance' mais aussi admet une dépendance moyenne par rapport à celui-ci.

Règle : 'ontologie' 'connaissance' = 'corpus' 'linguistique' support : "16"; Intérêt: "1.51"; Dépendance : "28%"

Cette règle d'association admet le même support que pour la règle présentée précédemment en revanche elle a un indice de dépendance de 28% et un intérêt de 1.51. Ce qui signifie que la nouvelle conclusion devient intéressant par rapport à l'ancienne et admet une dépendance d'au moins 4% de plus que celui de son prédécesseur.

Il sied de noter qu'il existe plusieurs techniques qui peuvent nous permettre d'aboutir à des conclusions encore plus satisfaisantes en essayant de reduire par exemple le bruit lié à la synonymie ou encore à la polysémie. Pour aboutir à de tels résultats, les notions du Web sémantique mais aussi de l'ontologie relative au domaine sous études seront d'une grande importance. Il ne faut cependant pas sous estimer l'apport d'autres indices statistiques tels que la conviction et l'étonnement qui sont des outils des méthodes symboliques.

78

précédent sommaire suivant






Extinction Rebellion





Changeons ce systeme injuste, Soyez votre propre syndic





"Ceux qui rêvent de jour ont conscience de bien des choses qui échappent à ceux qui rêvent de nuit"   Edgar Allan Poe