Developed Algorithms for Maximum Pattern Generation in Logical Analysis of Data

Les données sont au coeur des industries et des organisations. Beaucoup d'entreprises possèdent de grandes quantités de données mais échouent à en tirer un bénéfice conséquent, bien souvent parce que ces données ne sont pas utilisées de façon productive. Il est indispensable de prendre des décisions importantes au bon moment, en utilisant des outils adaptés permettant d'extraire de l'information pratique et fiable de grandes quantités de données. Avec l'augmentation de la quantité et de la variété des données, le recours aux outils traditionnels facultatifs a été abandonné alors que l'importance de fournir des méthodes efficaces et prometteuses pour l'analyse de données se fait grandissante. La classification de données est l'un des moyens de répondre à ce besoin d'analyse de données. L'analyse Logique de Données (LAD : Logical Analysis of Data) est une nouvelle méthodologie d'analyse de données. Cette méthodologie qui combine l'optimisation, l'analyse combinatoire et la logique booléenne, est applicable pour le problème de classification des données. Son but est de trouver des motifs logiques cachés qui séparent les observations d'une certaine classe de toutes les autres observations. Ces motifs sont les blocs de base de l'Analyse Logique de Données dont l'objectif principal est de choisir un ensemble de motifs capable de classifier correctement des observations. La précision d'un modèle mesure à quel point cet objectif est atteint par le modèle. Dans ce projet de recherche, on s'intéresse à un type particulier de motifs appelé α-motif « α-pattern ». Ce type de motif permet de construire des modèles de classification LAD de très grande précision. En dépit du grand nombre de méthodologies existantes pour générer des α-motifs maximaux, il n'existe pas encore de méta-heuristique adressant ce problème. Le but de ce projet de recherche est donc de développer une méta-heuristique pour résoudre le problème des α-motifs maximaux. Cette méta-heuristique devra être efficace en termes de temps de résolution et aussi en termes de précision des motifs générés. Afin de satisfaire les deux exigences citées plus haut, notre choix s'est porté sur le recuit simulé. Nous avons utilisé le recuit simulé pour générer des α-motifs maximaux avec une approche différente de celle pratiquée dans le modèle BLA. La performance de l'algorithme développé est évaluée dans la suite. Les résultats du test statistique de Friedman montrent que notre algorithme possède les meilleures performances en termes de temps de résolution. De plus, pour ce qui est de la précision, celle fournie par notre algorithme est comparable à celles des autres méthodes. Notre précision possède par ailleurs de forts niveaux de confiance statistiques.