. Dans-ce-chapitre, une réflexion spécifique est portée sur la représentation graphique des liens de corrélation existants entre les différents items de la prémisse Nous rappelons que ces liens sont donnés par le lift. Nous limiterons le nombre de ses items à huit, (contrainte vue précédemment). L'extraction des règles est supervisée par l'utilisateur qui sélectionne les attributs de la prémisse. Les algorithmes d'extraction assujettis à cette contrainte limitent drastiquement l'espace de recherche, Les sous-ensembles de règles obtenus sont visualisés directement dans l'arène 3D. L'application utilise en entrée un fichier de données codé au format CSV (tableau transaction/attributs, séparateur « ; »)

. Sphère, FIG.53 ? Liens de corrélation graphiques dans une règle FIG.54 -Visualisation d'une primitive d'extraction, 2007.

.. Tan, 16 TAB.2 -Mesures objectives de règles d'association 20 TAB.3 -Classification des mesures d'intérêt objectives 23 TAB.4 -Extraction des itemsets fréquents dans 26 TAB.6 -Décomposition des sous-ensembles C k et L k-1, Liste des tableaux TAB.1 -Règles d'association 63 TAB.12 -Résultats des indices de qualité, p.72, 2004.

.. Ecd-À-la-confluence-de-nombreux-domaines and .. Fayyad, 12 FIG.3 -Processus ECD 13 FIG.4 -Panier de la ménagère 17 FIG.5 -Table de contingence de r 19 FIG.6 -Trace d'exécution 30 FIG.8 -Une matrice item-à-item de visualisation 2D et 3D 33 FIG.10 -Un graphe d'items(a), un graphe d'itemsets(b) 34 FIG.12 -Modèle générique pour la visualisation d'information CARD et al 36 FIG.13 -Paysage d'informations, Liste des figures FIG.1 -Pilotage d'une fouille interactive de données 33 FIG.11 -Visualisation de règles par matrices (a : DBMiner, b : Entreprise Miner) et graphes (c : DBMiner, d : Intelligent Miner) BLANCHARD, (2005) avec rendu volumique (b) .................. 42 FIG.18 -Visualisation d'arbres coniques (a) et métaphore botanique (b) ............................... 42 FIG.19 -Visualisation d'un arbre dans un espace hyperbolique (focus + context) ................. 43 FIG.20 -Nuages de points 3D avec 44 FIG.21 -La relation de voisinage pour naviguer parmi les sous-ensembles, p.45, 1996.

A. R. Imielinski-t and . Swami-a, Mining association rules between sets of items in large databases, Proceedings of the ACM SIGMOD International Conference on Management of Data, pp.207-216, 1993.

B. Guillet-f and R. P. , Classification des techniques de fouille visuelle de données en 3d et réalité virtuelle, EGC, 2010.

B. Said, Z. Guillet-f, and R. P. , 3D visualization and virtual reality for visual data mining : A survey, International Conference on Information Visualization Theory and Applications (IVAPP'10), 2010.
URL : https://hal.archives-ouvertes.fr/hal-00761823

B. J. These, B. J. Pdf, . Guillet-f, . Briand-f, and . Gras-r, Un système de visualisation pour l'extraction, l'évaluation, et l'exploration interactives des règles d'association Assessing rule interestingness with a probabilistic measure of deviation from equilibrium, Thèse de docteur es-Informatique, Ecole des mines de Nantes, 183 p. url Proceedings of the 11th international symposium on Applied Stochastic Models and Data Analysis ASMDA, pp.191-200, 2005.

B. J. Sémiologie-graphique, Les diagrammes. Les réseaux. Les cartes, Archives des sciences sociales des religions, pp.176-177, 1968.

C. S. and M. J. Sheineiderman-b, Readings in information visualization: Using vision to think, 1999.

C. V. , C. O. Mephu, and R. J. , Recherche anthropocentrée de règles d'association pour l'aide à la décision, 2007.

F. U. Grinstein-g, W. A. Fayyad, . Piatetsky-shapiro-g, and . Smyth-p, Information visualization in data mining and knowledge discovery From Data Mining to Knowledge Discovery, 1996: an overview, 1131.

F. W. Piatesky-shapiro-g and . J. Matheus-c, Knowledge discovery in databases: an overview. AI Mag, pp.57-70929, 1011.

F. A. Fule and R. J. , On objective measures of rule surprisingness Lecture Notes In Artificial Intelligence 1510: Principles of Data Mining and KnowledgeDiscovery Experiences in building a tool for navigating association rule result sets, Proc. 2nd European Symp., PKDD´98 CRPIT'04: Proceedings of the second Australasian workshop on information security, data mining, web intelligence, and software internationalization, pp.1-9, 1998.

K. E. Van-de-wetering-h and W. J. , Botanical visualization of huge hierarchies, INFOVIS'01: Proceedings of the IEEE Symposium on Information Visualization (INFOVIS'01), pp.87-94, 2001.

K. P. Lehn-r, . Guillet-f, and . Pinaud-b, Découverte interactive de règles d'association via une interface visuelle Visualisation en Extraction des Connaissances, pp.113-125, 2000.

L. B. , H. W. Ma-y, M. Y. Liu-b, and . K. Wrong-c, Pruning and summarizing the discovered associations, proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining (KDD-99) Web for data mining: organizing and interpreting the discovered rules using the web. SIGKDD Explorations, pp.125-134, 2000.

T. P. Kumar-v and . Srivastava-j, Selecting the right objective measure for association patterns, international conference of knowledge discovery and data mining, 2002.

T. P. Kumar-v and . Srivastava-j, Selecting the right objective measure for association analysis, Information Systems, vol.29, pp.293-313, 2004.

Z. M. Hsiao-c, CHARM: An efficient algorithm for closed itemset mining, Proceedings of the Second SIAM International Conference on Data Mining. Arlington, pp.1-17, 2002.