Combinaison de l'apprentissage par renforcement et de l'optimisation des loups gris pour l'extraction d'itemsets

Abstract

L‟extraction de motifs fréquents est une technique des techniques les plus importantes dans de Data Mining, qui se repose sur un principe relativement simple. Elle consiste à découvrir des motifs ou itemsets (ensemble d‟éléments) qui se répètent fréquemment dans un ensemble de données. Il existe plusieurs méthodes exactes pour l‟extraction d‟itemsets fréquents. Cependant ces solutions souffrent de problème de passage à l‟échelle, ce qui a incité les chercheurs de ce domaine à introduire des méthodes approchées. Néanmoins, ces dernières souffrent aussi de problème de qualité de solutions qui est pauvre. Ce qui rend nécessaire de proposer des méthodes approchées plus efficaces. En effet, notre travail consiste à proposer une méthode approchée efficace pour l‟extraction de motifs fréquents à partir données tout en améliorent la qualité des solutions de cette dernière. Et cela en utilisant la combinaison d‟une métaheuristique inspirée du comportement des loups gris (Optimisation des Loups Gris, ou Grey Wolf Optimizer, GWO) et l‟apprentissage par renforcement, qui ont eu beaucoup de succès dans une variété de domaines. Deux algorithmes ont été proposés pour l‟extraction d‟itemsets fréquents, le premier se base sur GWO et le deuxième se base sur une combinaison de l‟apprentissage par renforcement avec GWO (appelés respectivement FIM-BGWO et FIM-QL-BGWO). Ces deux algorithmes ont été testés sur plusieurs datasets réels et synthétiques. Les résultats obtenus montrent une qualité de solution meilleure pour l‟algorithme FIM-QL-BGWO par rapport son homologue FIM-BGWO tout en gardant un temps d‟exécution acceptable. Mots clés : Extraction de Motifs Fréquents, Itemsets Fréquents, Optimisation des Loups Gris, GWO, Apprentissage par Renforcement, Q-Learning.