Ecole Doctorale Informatique et Information pour la Socit DEA ECD 2002 2003 Riadh BEN MESSAOUD

1
Ecole Doctorale Informatique et Information pour
la SociétéDEA ECD 2002 - 2003Riadh BEN MESSAOUD
Riadh.BenMessaoud_at_etu.univ-lyon2.fr
Mémoire de DEA ECD

• Construction dun Opérateur dAnalyse en Ligne
  des Données Complexes Basé sur une Technique de
  Fouille de Données

Dirigé par Mme Sabine RABASEDA et M. Omar
BOUSSAID
Sabine.Rabaseda, Boussaid_at_univ-lyon2.fr
26 juin 2003
2
Problématique et objectifs

• La fouille des données a réussi à extraire des
  connaissances à partir des données complexes
  Text Mining, Images Mining, Multimedia Mining

Données complexes

• Les opérateurs de lanalyse en ligne classiques
  sont inadaptés pour lanalyse des données
  complexes

• Des recherches dans lentreposage des données
  complexes sont en cours de réalisation

• Création dun nouvel opérateur danalyse en ligne
  des données complexes

• Utilisation dune technique de classification
  automatique pour lagrégation en ligne des
  données complexes

• Tirer profit de la validité de la fouille des
  données complexes

• Analyse en ligne des données complexes ?

• Association entre fouille de données et analyse
  OLAP ?

3
Plan

• Etat de lart du couplage entre fouille de
  données et analyse en ligne

• Objectifs de lopérateur dagrégation

• Choix de la technique de classification
  automatique

• Formalisation théorique de lopérateur

• Evaluation des résultats de lopérateur

• Implémentation dun prototype

• Démonstration

• Conclusion

4
Etat de lart

• Première approche
• Etendre le langage de requête des opérateurs OLAP
  pour simuler des techniques de fouille de données
• Han en al. (DBMiner)
• Dayal en al. (Association rule cubes)
• Goil et Choudhary (Règles dassociation)

• Deuxième approche
• Adaptation des SGBDM
• Laurent en al. (Arbre de décision flous)
• Adaptation de la structure cubique des données
• Han et Dayal (Motifs fréquents UniSeq, Dim-Seq,
  Seq-Dim)
• Goil et Choudhary (arbre de décision)
• Chen en al. (IIMiner)

• Troisième approche
• Application de la fouille au cur des données
  cubiques
• Palpanas visions théoriques
• Sarawagi en al. (Discovery-driven) approche
  statistique
• Favero et Robin approche statistique

Aucune approche naborde la problématique de
lanalyse en ligne des données complexes
5
Objectifs de lopérateur dagrégation

• Production dagrégats qui traduisent des
  relations avec les mesures dun cube de données

• Agrégation des modalités dune dimension

• Utilisation dune technique de classification
  pour construire un opérateur dagrégation des
  données complexes

Niveaux des ventes des Parfums
Temps
Juin Mai Trim 2 Avril Mars Février
Trim 1 Janvier

• Mai

• Mars

• Juin

• Janvier

• Février

• Avril

détergents Parfums Conserves Laits
Niveaux des ventes à Paris
Villes
Produits
6
Choix de la technique de classification
Classification ascendante hiérarchique (Lance et
William 1967)

• CAH vs CDH
• La CAH inclut la partition la plus fine dans
  léventail de ses résultats
• La stratégie ascendante est plus rapide que la
  stratégie descendante

• Aspect hiérarchique Analogie pertinente entre
  la CAH, la structuration dune dimension et les
  résultats prévus pour lopérateur

• Compatibilité avec lesprit de lanalyse en
  ligne navigation entre les niveaux de la
  classification par division ou par agrégation

Agrégation
Division
7
Formalisation théorique
W
Ensemble des individus Modalités dune
dimension
Variables
Temps
Juin Mai Avril Mars Février Janvier
Juin
Temps
Juin Mai Avril Mars Février Janvier
Mai
Avril

• Une variable ne doit pas être dune modalité
  appartenante à la dimension retenue pour les
  individus

Individus
Mars
? Validité logique des variables de la
classification
Février

• Par dimension, on ne peut choisir que des mesures
  référentes à un seul niveau hiérarchique

détergents Parfums Conserves Laits Produits
? Indépendance des variables
Villes
Janvier
Roll-up
Roll-up
8
Evaluation des résultats

• La CAH fournit un ensemble de partitions
  hiérarchiques

• Choix de la meilleure partition qui répond aux
  objectifs de lanalyse

• Choix de la meilleure partition qui répond aux
  objectifs de lanalyse

? Outil dévaluation des partitions basé sur
linertie intra et inter-classes
9
Implémentation dun prototype
Trois composantes

• Interface de paramétrage

• Assistance pour la sélection des individus et des
  variables à partir dun cube de données

• Choix des paramètres de la CAH

• Chargeur des données

• Connexion à un cube de données via un serveur
  OLAP externe (MS SQL Server OLAP Services)

• Importation des informations du structure du cube

• Chargement et mise en forme des données de la
  classification

• Constructeur de lopérateur

• Construction du modèle de classification

• Evaluation des partitions de la classification

10
Démonstration

• Jeux de données multidimensionnelles

• 200 images de paysages et de villes

• Dimensions

• Contraste de limage X RGB

• Entropie de limage X RGB

• Homogénéité de limage X RGB

• Taille de limage

• Type de limage

• Mesures

• Somme des pixels X RGB

• Radical de la somme carrée des pixels X RGB

11
Conclusion

• Une première réponse à lanalyse en ligne des
  données complexes

• La démarche a permis de profiter de la validité
  de la fouille dans les données complexes et la
  flexibilité de la structuration
  multidimensionnelle

• Le choix de la CAH nexclut pas lutilisation
  dautres techniques de classification

• Utilisation dautres techniques de fouille pour
  établir de nouveaux modèles dapprentissage en
  ligne sur les données complexes

• Un article de ce travail est en cours de
  rédaction