This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
References
R. Agrawal, T. Imielinski, and A. N. Swami. Mining Association Rules between Sets of Items in Large Databases. In Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, pages 207-216, 1993.
Yves Bastide, Rafik Taouil, Nicolas Pasquier, Gerd Stumme, and Lofti Lakhal. Pascal : un algorithme d’extraction des motifs fréquents. Techniques et Science Informatiques, 21(21):65-95, 2002.
J. P. Bénzecri. Théorie de l’information et classification d’après un tableau de contingence. In L’Analyse des Donnnées, Tome 1: La Taxinomie, pages 207-236. Dunod, 1973.
J-M. Bernard and C. Charron. L’analyse implicative bayésienne, une méthode pour l’étude des dépendances orientées : Données binaires. Revue Mathématique Informatique et Sciences Humaines, 134:5-38, 1996.
C.L. Blake and C.J. Merz. UCI Repository of machine learning databases, 1998.
S. Brin, R. Motwani, and C. Silverstein. Beyond market baskets: generalizing association rules to correlations. In Proceedings of ACM SIGMOD’97, pages 265-276, 1997.
F. Daudé. Analyse et justification de la notion de ressemblance entre variables qualitatives dans l’optique de la classification hiérarchique par AVL. PhD thesis, Université de Rennes 1, juin 1992.
R. M. Goodman and P. Smyth. Information-theoretic rule induction. In ECAI 1988, pages 357-362, 1988.
R. Gras. Contribution à l’étude expérimentale et à l’analyse de certaines acquisitions cognitives et de certains objectifs didactiques en mathématiques. PhD thesis, Doctorat d’ État, Université de Rennes 1, octobre 1979.
R. Gras, P. Kuntz, and H. Briand. Les fondements de l’analyse statistique implicative et quelques prolongements pour la fouille des données. Revue Mathématique et Sciences Humaines, 154-155:9-29, 2001.
R. Gras and A. Larher. L’implication statistique, une nouvelle méthode d’analyse de données. Mathématique Informatique et Sciences Humaines, 18(120):5-31, 1992.
S. Guillaume. Traitement des données volumineuses. Mesures et algorithmes d’extraction de règles d’association et règles ordinales. PhD thesis, Université de Nantes, décembre 2000.
P. Jaccard. Nouvelles recherches sur la distribution florale. Bulletin de la Société Vaudoise en Sciences Naturelles, 44:223-270, 1908.
S. Lallich and O. Teytaud. Évaluation et validation de l’intérêt des règles d’association. In Mesures de Qualité pour la Fouille des Données, pages 193-218. Cépaduès, 2004.
R. Lehn. Un système interactif de visualisation et de fouille de règles pour l’extraction de connaissances dans les bases de données. PhD thesis, Institut de Recherche en Informatique de Nantes, Décembre 2000.
P. Lenca, P. Meyer, B. Vaillant, B. Picouet, and S. Lallich. Évaluation et analyse multicritère des mesures de qualité des règles d’association. In Mesures de Qualité pour la Fouille des Données, pages 219-245. Cépaduès, 2004.
I. C. Lerman. Justification et validité statistique d’une échelle [0,1] de fréquence mathématique pour une structure de proximité sur un ensemble de variables observées. Publications de l’Institut de Statistique des Universités de Paris, 29:27-57, 1984.
I. C. Lerman. Foundations of the Likelihood Linkage Analysis (LLA) classification method. Applied Stochastic Models and Data Analysis, 7:63-76, 1991.
I.C. Lerman. Sur l’analyse des données préalable à une classification automatique; proposition d’une nouvelle mesure de similarité. Mathématiques et Sciences Humaines, 8:5-15, 1970.
I.C. Lerman. Classification et analyse ordinale des données. Dunod, 1981.
I.C. Lerman. Likelihood Linkage Analysis (LLA) classification method (Around an example treated by hand). Biochimie, 75:379-397, 1993.
I.C. Lerman. Coefficient numérique général de discrimination de classes d’objets par des variables de types quelconques. Application des données génotypiques. Revue de Statistique Appliquée, in press, 2006.
I.C. Lerman, R. Gras, and H. Rostam. Élaboration et évaluation d’un indice d’implication pour des données binaires I et II. Revue Mathématique et Sciences Humaines, 74 and 75:5-35, 5-47, 1981.
J. Loevinger. A systematic approach to the construction and evaluation of tests of ability. Psychological Monographs, 61:1-49, 1947.
K. Pearson. On a criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can reasonably be supposed to have arisen from random sampling. Philosophical Magazine, 50 (5):157-175, 1900.
G. Piatetsky-Shapiro. Discovery, analysis, and presentation of strong rules. In Knowledge Discovery in Databases, pages 229-248. MIT Press, 1991.
P-N. Tan, V. Kumar, and J. Srivastava. Selecting the Right Interestingness Measure for Association Patterns. In Proceedings of the 8th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2002.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2007 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Lerman, IC., Azé, J. (2007). A New Probabilistic Measure of Interestingness for Association Rules, Based on the Likelihood of the Link. In: Guillet, F.J., Hamilton, H.J. (eds) Quality Measures in Data Mining. Studies in Computational Intelligence, vol 43. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-44918-8_9
Download citation
DOI: https://doi.org/10.1007/978-3-540-44918-8_9
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-44911-9
Online ISBN: 978-3-540-44918-8
eBook Packages: EngineeringEngineering (R0)