Un ensemble de règles de lassiation est souvent utilisé dans le adre de la
pré-dition.La prédition estlatâhequi onsisteà assignerune étiquetteàune situation.
Maisl'utilisateur a aussibesoin d'uneaide dansl'analyse desrèglesinduites;en
parti-ulier lorsque elles-i sont nombreuses. Siles heuristiquesutilisées lors de l'indution
desrèglespermettentdeomparerlesrèglesentreelles 2
,ilexisted'autresmesures,telles
quedesmesures de similaritéentrerègles, surlesquelles sont basésdesoutils de
visua-lisation de règles(sous-setion4.1.1). La séletion derègles intéressantes estun moyen
d'analyser desrègles dansun objetif d'aide à ladéision. On note toutefois queette
séletion peutêtrediretement intégrée dansleproessusd'indution;ilne s'agitdon
pas réellement d'une analyse de règles (sous-setion 4.1.2). Dans la sous-setion 4.1.3,
les méthodesprésentées herhent àproposer desationsà partir desrèglesinduites.
4.1.1 Visualisation des règles induites
La dénition d'indies de similarité entre règles est un moyen de les omparer
entre elles. Ces indies peuvent reposer sur leur syntaxe, 'est-à-dire, dans le adre
d'une logique attribut-valeur,sur les séleteursdes omplexes présents dansles règles.
Ils peuvent aussi reposer sur la sémantique des règles, 'est-à-dire sur les ensembles
d'exemplesouverts paresrègles.Lesindiesdesimilaritésreposantsurlasémantique
des règles sont aussi utilisables dansle as de règles en logique du premier ordre. Des
visualisations s'appuyant sur es similarités ont été développées. Par exemple, Gupta
etal.(Gupta et al.,1999)utilisent unetehniquede lusteringhiérarhique pour
orga-niser les règles etles visualiser. D'autres exemplessont l'utilisation de méthodesSOM
(aronyme de l'anglais Self Organizing Map) ou MDS (aronyme de l'anglais
Multi-DimensionalSaling) ande transposerles règlesdansunplan2D(un point
représen-tant une règle) de telle manière que les distanes entre les règles soient respetées au
mieux (Tsumoto &Hirano, 2003;Rehm et al.,2006; Gabriel et al., 2006). Dans lebut
d'aider l'utilisateur à la prise de déision, une visualisation interative des règlespeut
être intéressante. Zhao et al. (Zhao et al.,2005) proposent une visualisation des règles
et des données, dans une logique attribut-valeur, sous forme de matrie. Les lignes y
représentent les étiquettes d'apprentissage etles olonnesles attributs. En
reposition-nant lesellulesorrespondant à l'intersetiond'unelasse d'apprentissage d'intérêt et
d'un attribut sur lequel il peut agir, l'utilisateur peut se foaliser sur les règles dans
un objetifde prise de déision. Une autre visualisationprohe de elle-iest proposée
dans(Han&Cerone, 2000).
4.1.2 Séletion de règles intéressantes
Une notionimportante dansleadredelareherhe derèglesintéressantesestelle
d'ationnabilite proposée par Silbershatz et Tuzhilin (Silbershatz& Tuzhilin, 1996).
2
Étantdonnéunmotif,parexempleunerègle,ils'agitdesavoirs'ilestpertinentvis-à-vis
d'une ation à entreprendre. D'après eux, un motif est intéressant, d'unpoint de vue
subjetif,s'il estsoit :
manipulable :l'utilisateurpeututiliserle motif and'agir danssonintérêt;
inattendu :l'utilisateurest surprispar le motifinduit.
Si de nombreux travaux se sont intéressés à la reherhe de règles inattendues, voir
par exemple (Duval etal., 2007), lanotion de motif "manipulable"est moinsabordée.
Pour la déouverte de règles intéressantes, Chen et Liu (Chen & Liu, 2001) suggèrent
d'intégrer des onnaissanes de l'utilisateur a priori. Simplement, dans une étape de
pré-apprentissage, les règles attendues, données par l'utilisateur, permettent de ibler
lesexemplesquinesontpasonformesauxonnaissanesapriori.Deettemanière,les
règlesinattendues issues d'unapprentissage lassique sont repérées :e sont elles qui
ouvrentdesexemplesnononformes.Desalgorithmesd'apprentissagederèglesontété
développés pour le as où l'on s'intéresse à un sous-groupe de données. Par exemple,
Lavra£etal.(Lavraetal.,2002)adaptentlesystèmeCN2(voirsous-setion1.1.2)pour
la déouverte de sous-groupes (de l'anglais subgroup disovery). Des poids importants
sontassoiésauxexemplesdusous-groupeiblé,equiimpliquequelquesmodiations
lors du alul de l'heuristique de reherhe. Au ontraire, étant donné un ensemble de
groupes de données
{G1, .., G
n}
, Bay et Pazzani (Bay & Pazzani, 2001) induisent des omplexes ontrastant d'un groupe à l'autre (en anglais ontrast set); 'està dire quelesupport de larègle restreint àun groupe de données
G
i doit être susamment plus important quesonsupportrestreint àun groupeG
j (i6=j
).4.1.3 Proposition d'ations
Destravauxsefoalisentsurl'extrationd'ationsàpartirdesrèglesinduites.L'idée
générale est, partant d'une situation défavorable, de proposer des modiations à
ap-porterpouraméliorerlalassede lasituation.Onseplaeiidansleadrederèglesen
logique attribut-valeur et une situation est représentée par un omplexe (voir setion
1.1).
Yang et al. (Yang et al., 2003) suggèrent d'utiliser des arbres de déision pour
onstruire des ations. Plus préisément, étant donné un exemple (situation) ouvert
par une règle de lasse
c
1,des modiations dansles valeursd'attribut sont proposées an que l'exemple soit ouvert par une règle de lassec
2 onsidérée omme meilleure. Une mesure de protP
N est proposée :P
N= P
E∗P
gain−P
Cost
.P
E est le pro-t engrangé lorsque l'exemple passe de la lassec1
àc2
;P
gain est la probabilité que l'individu passe eetivement de la lassec
1 àc
2;P
Cost
est lasomme des oûts des modiations unitaires. Une matrie, fournissant pour haque attribut le oût de lamodiation d'une valeur de l'attribut
v
i en une valeurv
j, doit en eet être dénie. Cette approhe ontraint à l'utilisation d'attributs qualitatifs uniquement. Une autreapprohe (Ras&Wiezorkowska,2000)onsiste àinduiredesrèglesations.Pour tout
ouple de règles induites
r1 =comp1 → c1
etr2 =comp2 → c2
,une règle d'ationest dénie, dans le as où la lassec
2 est onsidérée omme meilleure quec
1; ette règles'érit 3
(comp
1=> comp
2)→(c
1=> c
2)
ets'interprètedelamanièresuivante:"sil'on modielesvaleursdesséleteursduomplexecomp1
detellemanièreàêtreouvertpar leomplexecomp
2 alors lalasse passe dec
1 àc
2".Les auteurs identient deux types d'attributs, les attributs exibles etstables. Sila règle ation néessite lamodiationd'unattribut stable, alors elle-in'est pasproposée à l'utilisateur ar on laonsidère
infaisable. Une extension (Ras & Tsay, 2003) propose de telles ations lorsque la
mo-diationde la valeur de l'attribut stableesten fait unespéialisation;danse as, le
séleteursuretattributpeutêtreinterprétéommeunontextedanslequell'individu,
surlequel onapplique larègle ation,doit setrouver.
4.2 Reommandation d'ations en logique attribut-valeur
Dans ette setion, on s'appuie sur les travaux de la littérature pour dénir une
tâhe originale de reommandation d'ations. Nousadoptons en partie lepoint de vue
deYangetal.(Yangetal.,2003).Eneet,nousonsidéronsquel'utilisateurproposeune
situationquiluiestdéfavorable,engénéralétiquetéeparlalasse
⊖
.Pourproposerdes ations,notredémarhenereposepassurlesarbresdedéisionmaisplusgénéralementsur un ensemble de règles de lassiation; de e point de vue, elle est plus prohe
de elle proposée dans (Ras & Wiezorkowska, 2000). De même que pour es deux
approhes, nous nous plaçons dans une logique attribut-valeur et onsidérons que les
ationssontdesmodiationsdevaleurdesattributsdérivantlasituationdéfavorable.
Pour évaluer les ations, Yang et al. (Yang et al., 2003) dénissent une fontion de
prot. De notre té, nous préférons utiliser les deux notions de qualité et faisabilité
d'uneation.
Étant donnés une situation et un ensemble de règles, un espae de reherhe des
ations etun ritère pour les évaluer sont dénis (sous-setion 4.2.3). Nous nous
inté-ressonspartiulièrement àlanotiondefaisabilité desationsdanslasous-setion 4.2.2.
Enndeuxalgorithmespourinduire lesationssont proposées :lepremiers'appuiesur
une reherhe d'ations par faiseau (sous-setion 4.2.4), le seond a pour objetif de
onstruire l'ation optimale (au sens du ritère de qualité) dans l'espae de reherhe.
Avant deles présenter, ilestnéessaire d'introduire quelquesdénitions.
4.2.1 Dénitions préliminaires
Les symboles
⊕
et⊖
dénotent les étiquettes de lasses jugées omme satisfaisante et non satisfaisante. La théorieR
préalablement induite est onstituée de règles des deux lasses :R=R
⊕∪ R
⊖.L'ensembledes attributs est
X ={X
1, . . . , X
n}
dont les domaines, notésDom
1, . . . , Dom
n,sont desvaleursqualitativesou quantitatives.Une valeurqualitativeestunensembledeonstantes. Unevaleurquantitativeestun
intervallereprésentéparunquadruplet
< min, max, l, r >
oùmin
etmax
sontdesréels représentant les bornes minimales et maximalesde l'intervalle;l
etr
sont des valeurs de{−1,1}
,l
(respetivementr
) étant à1
lorsque lavaleurmin
(respetivementmax
)faitpartie de l'intervalle et
−1
sinon. Onutilise essentiellement une notation ourante pour les intervalles; par exemple, l'intervalle< 2,3,−1,1 >
pourra s'érire]2,3]
. Ma etHayes (Ma & Hayes, 2006) redénissent les treize relations d'Allen entre intervalles(Allen, 1981)pour leas oùl'information surl'appartenane ou nond'une borne dans
l'intervalle estexpliite.La gure4.1présente esrelations demanière nonexhaustive.
before e1 e2 e1 e2 meets e1 e2 e1 e2 overlaps e1 e2 e1 e2 starts ... e1 e2 e2 e1 ... during e1 e2 e1 e2 ... finishes e1 e2 ... e1 e2 e1 e2 equals e1 e2 ... PSfragreplaements _ _ _ (en%) nombred'arbres
Fig. 4.1 Exemples de ouple d'intervalles
e
1, e
2 et leur relation d'Allen redénie pour les intervalles dont les bornes peuvent être exlues (Ma & Hayes, 2006). Pourune borne donnée dont la valeur est
v
, le symbole I indique quev
peut être in-luse ou non dans l'intervalle; le symbole ℄ , lorsqu'il est à gauhe, signie quev
est exlue et...Les six autres relations peuvent être dénies de la manière suivante :
(e1
aftere2)
ssi(e1
beforee2)
,(e1
met-bye2)
ssi(e1
meete2)
,(e1
overlapped-bye2)
ssi(e
1 overlapse
2)
,(e
1 started-bye
2)
ssi(e
1 startse
2)
,(e
1 ontainse
2)
ssi(e
1 duringe
2)
,(e
1 nished-bye
2)
ssi(e
1 nishese
2)
.La taille d'une valeur qualitative est le nombre de onstantes de l'ensemble. La
tailled'une valeur quantitative
< min, max, l, r >
estmax−min
.Onnote∅
lavaleur vide,V
l(respetivementV
t)l'ensemble(sans∅
)desvaleursqualitatives(respetivement quantitatives). Nous présentons maintenant lesopérateursd'intersetionetd'union.Dénition 4.2 (Opérateurs
⊠
et⊞
entre valeurs).Les opérateurs
⊠
et⊞
ontpoursignatureV ∪ {∅} ∗ V ∪ {∅} → V ∪ {∅}
oùV
estxé soit àV
t, soit àV
l. Ils sont respetivement les opérateurs usuels d'intersetion et d'union, pour les ensembles dans le as de valeurs qualitatives et pour les intervalles dans le asdevaleurs quantitatives.
La dénition de es opérateurs nouspermet de manipuler les valeurs
Dénition 4.3 (Inlusion et inlusion strite entre valeurs).
Soient
e1
ete2
deuxvaleursquantitatives ouqualitatives,e1
estinlusedanse2
(onnotee
1⊆e
2)ssie
1⊠e
2=e
1;e
1 est inluse stritementdanse
2 (onnotee
1⊂e
2)sie
1⊆e
2et
e
16=e
2.L'opérateurdediérene
⊟
quenousutilisonsestunopérateurplusspéiqueànos besoins.Dénition 4.4 (Opérateurs
⊟
entre valeurs). L'opérateur⊟
a pour signatureV ∗ V → 2
Voù
V
est xé soit àV
t, soit àV
l. Soiente1, e2∈ V
,e1⊟e2
est l'ensemble 4des valeurs
v
telles que :∀v∈e1⊟e2
,v⊠e1 =v
('est-à-direv⊆e1
) etv⊠e2 =∅
;∀v
′ tel quev
′⊠e
1=v
′ etv
′⊠e
2=∅
,∃e∈e
1⊟e
2 tel quev
′⊆e
.Si
e
1 ete
2 sont qualitatifs on noted= (e
1−e
2)
la diérene ensembliste usuelle alorse
1⊟e
2 est égal à{d}
sid
n'est pas vide et{}
sinon. Pour les valeurs qualitatives le résultat de⊟
est don un ensemble de valeurs de taille 0 ou 1. Pour les valeurs quantitatives,et ensemblepeut être de taille 0, 1 ou2 : il est alulé enfontion delarelation entre
e
1 ete
2 (tableau 4.5).Relations
e
1⊞e
2e
1⊠e
2e
1⊟e
2entre
e
1 ete
2e
1 beforee
2hmi1, ma2, l1, r2i ∅ {hmi1, ma1, l1, r1i}
e
1 meetse
2e
1 overlapse
2hmi
1, ma
2, l
1, r
2i hmi
2, ma
1, l
2, r
1i {hmi
1, mi
2, l
1,−l
2i}
e
1 nished-bye
2e
1 startse
2hmi
2, ma
2, l
2, r
2i hmi
1, ma
1, l
1, r
1i {}
e
1 duringe
2e
1 nishese
2e
1 equalse
2 (e
1=e
2)e
1 aftere
2hmi
2, ma
1, l
2, r
1i ∅ {hmi
1, ma
1, l
1, r
1i}
e
1 met-bye
2e
1 overlapped-bye
2hmi
2, ma
1, l
2, r
1i hmi
1, ma
2, l
1, r
2i {hma
2, ma
1,−r
2, r
1i}
e
1 started-bye
2e
1 ontainse
2hmi
1, ma
1, l
1, r
1i hmi
2, ma
2, l
2, r
2i {hmi
1, mi
2, l
1,−l
2i,
hma
2, ma
1,−r
2, r
1i}
Tab.4.5Lesopérateurs⊞
,⊠
et⊟
pourlesvaleursquantitativese
1=hmi
1, ma
1, l
1, r
1i
ete
2=hmi
2, ma
2, l
2, r
2i
.Ona également, pour une valeure
(qualitative ou quantita-tive):e⊠∅=∅⊠e=∅
;e⊞∅=∅⊞e=e
.4
Lerésultatde
⊟
estunensembledevaleurs.Ainsi,lorsquee
1 ete
2 sont desvaleursqualitatives, lerésultat de⊟
estun ensembled'ensembledeonstantes.Sielles sont desvaleurs quantitatives, leLes opérateurs
⊠
et⊞
sont les opérateurs d'union et d'intersetion bien onnus; en partiulier, ils sont assoiatifs. Au ontraire l'opérateur⊟
, qui n'est pas assoiatif, est spéique à notre approhe (voir l'exemple 4.7). La propriété suivante sur⊟
est néessairepourlasuite.Proposition 4.6:
Considéronsdeux valeurs
e
1 ete
2 de même type(qualitatif ouquantitatif).Sie
16⊆e
2et
e
26⊂e
1 alorse
2⊟e
1 ontient exatement 1valeur.Preuve. Ona donsoit :
e
1 ete
2 sont desensembles deonstantes, ommee
26⊂e
1 alors ilexisteau moins une onstantedee2
nonprésentedanse1
.Pardénition,onae1−e2
estnonvide ete
1⊟e
2 est detaille 1.
e
1 ete
2 sont des intervalles, on herhe alors la relation entree
1 ete
2. Commee1 6⊆e2
onae1⊠e2 6=e1
,et,àl'aidedutableau 4.5, ondéduitqueette relation ne peutpasêtrestarts,during,nishesouequals.Silarelationétait ontainsalorse
1⊠e
2= e
2⊠e
1= e
2 ete
2⊆ e
1. On a vu que la relation ne pouvait pas être equals alors on ae2 ⊂e1
e qui est ontraditoire ave l'hypothèse. Pour toutes les autres relations possiblesl'ensemblee
2⊟e
1 ne ontient qu'un intervalle.Exemple 4.7 (relations entre valeurs quantitatives, opérateurs
⊠,⊞
et⊟
). Considérons les troisintervallese
t1= [2,5]
,e
t2=]3,6]
ete
t3= [4,6[
. La relation entree
t1ete
t2,ainsiqu'entree
t1 ete
t3,estoverlaps,elleentree
t2ete
t3 estontains.D'autres relationsentreintervallessontillustréesdanslagure4.1.Pourlesopérateurslassiquesd'intersetion et d'union, on a
e
t1⊠e
t2=]3,5]
,e
t1⊞e
t2= [2,6]
. Pour l'opérateur de diérene,onae
t1⊟e
t2={[2,3]}
,e
t2⊟e
t3={]3,4[,[6,6]}
ete
t3⊟e
t2={}
.Considérons maintenant les deuxvaleursqualitativese
l1={a, b}
ete
l2={a}
alorse
l1⊠e
l2={a}
,e
l1⊞e
l2={a, b}
ete
l1⊟e
l2={{b}}
.Nous redénissons à présent les séleteurs et omplexes omme des généralisations
de eux introduits dansla setion1.1. Le formalisme présenté ii nouspermeten eet
deles exprimer.
Dénition 4.8 (Séleteur et omplexe).
Pour un attribut
X
i∈ X
, un séleteur est noté(X
i∈d
i)
oùd
i⊆Dom
i. Un omplexe est notéC = (X
k1∈ d
k1) ∧. . .∧(X
km∈ d
km)
où pour touti
,k
i∈ {1, . . . , n}
etd
ki⊆Dom
ki.Un omplexe peutavoirplusieurs séleteurspour unmême attribut, 'estpourquoi
nousintroduisonsla notion de projetion surun attribut etredénissons la notion de
ouverture.
Dénition 4.9 (Projetion sur attribut et omplexe ohérent).
de
C
sur l'attributX
i est notésel
i={X
i∈d
i1, . . . , X
i∈d
im}
. La projetion deC
surX
i,notéeC[X
i]
,est dénie par :C[X
i] =
Dom
i sisel
i={}
d
i1⊠. . .⊠d
im sinon Exemple 4.10 (séleteurs, omplexes et projetions).Soient
X
1etX
3deuxattributsqualitatifsdedomainesrespetivementDom
1={a, b, c, d}
etDom
3={p, q}
.SoitX
2 unattributquantitatifde domaineDom
2= [0,10]
.Ononsidère leomplexe suivant onstitué detrois séleteurs:
C= (X
1∈ {a, b})∧(X
2∈[0,3])∧(X
2∈[1,5])
Alors
sel2 ={(X2 ∈[0,3]),(X2 ∈[1,5])}
, lesprojetionssurles attributs sont :C[X
1] ={a, b}
,C[X
2] = [1,3]
etC[X
3] ={p, q}
Au sein d'un omplexe, il peut exister une ontradition entre deux séleteurs
ba-sés sur un même attribut. C'est pourquoi nous introduisons la dénitionde omplexe
ohérent.
Dénition 4.11 (Complexe ohérent).
Un omplexe
C
est ohérent si :∀i, C[X
i]6=∅
.La relation de ouverture doit êtreredénie :ilne s'agit plus en eet d'unesimple
inlusion desséleteursd'unomplexe dans unautre.
Dénition 4.12 (Couverture et équivalene).
Soient
C
etC
′deux omplexes,
C
ouvreC
′si et seulement si :
∀i, C
′[X
i]⊆C[X
i]
.C
et
C
′sontéquivalents siet seulement si
C
ouvreC
′ etC
′ouvre
C
.On notetrivialement, à l'instarde la relation de ouverture dénie dansla setion
1.1, que si les séleteurs d'un omplexe
C
sont présents dans un omplexeC
′alors
C
ouvre
C
′.Deplus,si ondénitleomplexe
P
parP =C[X
1]∧. . .∧C[X
n]
,alorsC
etP
sont équivalents.Pour simplier l'ériture, on étend l'opérateur
⊠
déni pour les valeurs aux om-plexes. On dénit également une relation de onnexion entre omplexes utile dans lasetion4.2.5. Intuitivement, deuxomplexes sontonnetés s'ils s'intersetent.
Dénition 4.13 (Opérateur
⊠
et omplexes onnetés). SoitC
etC
′deux omplexes, lerésultat de l'opérateur
⊠
entreC
etC
′ est :C⊠C
′=X
1∈(C[X
1]⊠C
′[X
1])∧. . .∧X
n∈(C[X
n]⊠C
′[X
n])
.C
etC
′sontonnetés si
C⊠C
′est ohérent.
Des séleteurs, omplexes, et les relations entre omplexes sont exposés ii pour
l'exemple.
Exemple 4.14 (ouverture et onnexion).
Considéronsles attributs
X1
etX2
de l'exemple 4.10. Soient lesdeux omplexes:C
′= (X
1∈ {a})∧(X
2∈[3,6[)
.Alors, ona :C[X1] ={a}
,C[X2] = [2,5]
,C
′[X1] ={a}
,C
′[X2] = [3,6[
C
n'est pas ouvert parC
′puisque
C[X
2] 6⊆ C
′[X
2]
.C
etC
′sont onnetés puisque
C⊠C
′[X
1] ={a} 6=∅
etC⊠C
′[X
2] =X
2∈[3,5]6=∅
.Nouspouvonsà présentlarier le voabulaire utilisé par lasuite,en partiulier e
quel'on appelle situation, ation etrègle de lassiation.
Dénition 4.15 (Situation, ationet règle de lassiation).
Unesituation est unomplexe. Une ationest unomplexe. Une règle delassiation
R
est un omplexe, mais on parle également de la lasse deR
qui peut être⊕
ou⊖
. Uneation,appliquéeàunesituation,produitunomplexequel'onappellesituationrésultante.
Dénition 4.16 (Situation résultante, orretion et préision).
Soit
S
une situation etA
une ation, le résultat de l'appliation deA
surS
est un omplexe notéres(S, A) =X
1∈r
1∧. . .∧X
n∈r
n où :r
i=
A[X
i]
siS[X
i]⊠A[X
i] =∅
S[X
i]⊠A[X
i] sinon
Danslepremier as,lorsque
S[X
i]⊠A[X
i] =∅
, onditque l'ationA
est une orretion deS
sur l'attributX
i. Dans le deuxième as,A
onsiste en une préision deS
sur l'attributX
i;on a eneetres(S, A)[X
i]⊆S[X
i]
.Exemple 4.17 (situation résultante).
Considéronsles attributs
X1
etX2
de l'exemple4.10. Soit lasituationS
:S= (X
1∈ {a})∧(X
2∈[2,5])
.Le résultatde l'ation
A= (X
1∈ {b} ∧X
2∈]2,8])
surS
est:res(S, A) = (X1 ∈ {b})∧(X2 ∈]2,5])
A
estune orretionsur l'attributX
1 et'estune préision surl'attributX
2Le résultatde l'ation
A
′= (X
2∈[6,7])
surS
est :res(S, A
′) = (X1 ∈ {a})∧(X2∈[6,7])
.A
′estune orretion surl'attribut
X
24.2.2 Faisabilité d'une ation
Nous nous intéressons ii à la notion de faisabilité d'une ation. Dans l'approhe
proposéedans(Ras&Wiezorkowska,2000;Ras&Tsay,2003),unoneptdeexibilité
estutilisépourdéouvrirdesrèglesd'ations.Deuxtypesd'attributssontdistingués:les
attributsstablessontlesattributsquinepeuventêtremodiés(e.g.sexe)ontrairement
auxattributsexibles(e.g.valeurd'unprêtbanaire). Unerègled'ationdanseadre
porte naturellement sur des attributs exibles an de permettre à l'utilisateur d'agir.
Dénition 4.18 (Faisabilité par restrition).
Soit
F LEX
le sous-ensemble des attributs exibles, une ationA
est dite faisable par restrition surF LEX
si∀X
i∈ (X −F LEX), A[X
i] = Dom
i. L'ation ne doit pas onsister enune modiation d'un attribut stable. L'ensembleF LEX
est un paramètre utilisateur.Cette nette distintion entre attributs exibles et stables est ertes intéressante,
mais à notre sens, assez rigide et pas toujours susante. Par exemple, un médein
préférerait presrire des médiaments à unpatient malade plutt qued'envisager pour
lui une intervention hirurgiale si elle-i peut être évitée. L'ation de presrire des
médiament paraît plus faisable. Une approhe possible est de tenir ompte de ette
diérene entreles attributsen aetantà haque attributdespoids destabilité
w
i.Ce poids mesure, en quelque sorte, à quel point on ne peut pas agir sur ette propriété.D'un autre té, un médein souhaitant presrire un régime alimentaire à un patient,
prenden onsidérationlepoidsquele patient doitperdre.S'ils'agitde faireperdreau
patientpeudepoids,e.g.2kg,alorsunrégimeesttoutàfaitfaisable.Enrevanhe,une
pertede80kgestunbut trèsdiile àatteindrepar unsimplerégime. C'estpourquoi
une distane noussemble tout à fait adaptée à notre problème. Ce dernier, rappelons
le,onsisteàproposerdesationsréalisables àaomplirfaeàune situationjugéenon
satisfaisante,etqui onduiraità unesituation résultante"assezprohe" delasituation
initialemaisplus satisfaisante.
La littérature regorge de dénitions de distanes entre omplexes, par exemple
(De Carvalho, 1994; Gowda &Diday, 1991; Ihino & Yaguhi, 1994). En nous basant
surune étude empirique réalisée par Malerba etal. (Malerba et al., 2001), notrehoix
s'estportésurladistanegénéraliséedeMinkowskiproposéeparIhinoetYaguhidans
(Ihino& Yaguhi, 1994). Cettemesure onvient à notre problèmear, non seulement
elle gère les valeurs qualitatives et quantitatives, mais de plus, elle permet d'intégrer
des poids de stabilité dans le alul de la dissimilarité entre omplexes. Les auteurs
proposent une mesure de dissimilarité entre deux valeurs
c
i etc
′i que nous présentons ii àl'aide desopérateurs dénis i-dessus:
φ(c
i, c
′i) =|c
i⊞c
′i| − |c
i⊠c
′i|+γ(2|c
i⊠c
′i| − |c
i| − |c
′i|)
où
|c
i|
dénote la taille dec
i etγ ∈ [0,0.5]
ontrle la proximité interne et externe entrec
i etc
′i.Pour deuxomplexes
C
etC
′,IhinoetYagushi dénissent lamesurede
dissimilaritépondérée etnormaliséeappeléedistane généraliséede Minkowski d'ordre
p
ommesuit :dist
p(C, C
′) =
"
nX
i=1{w
iφ(C[X
i], C
′[X
i])
|Dom
i| }
p#
1/poù lespoids deexibilité
w
i>0
,i∈ {1, .., n}
sont hoisistels queP
ni=1
w
i= 1
etoù ladistanegénéraliséedeMinkowskisatisfait
0≤dist
p(C, C
′)≤1
.Enn,ilestprouvéquedist
p(C, C
′)
satisfaittouslesaxiomesd'unemétrique.Nousproposonsiiunedeuxième dénitionde lafaisabilité baséesurette distane entre omplexes5 .
5
Dénition 4.19 (
δ
-faisabilité).Uneation
A
est diteδ
-faisable relativement à une situationS
(oùδ
est un paramètre réelentre0et1)sidist
p(S, res(S, A))< δ
.Lespoidsw
i etleseuilδ
sontdesparamètres utilisateurs.Pour la suite, nous dénissons une propriété de monotonie pour les dénitions de
faisabilité.Cettepropriété estutilisée danslasous-setion 4.2.5.
Dénition 4.20 (Monotonie de la faisabilité).
La faisabilitéest monotonesipourtoutoupled'ations
A
etA
′tel que
A
ouvreA
′ ,A
n'est pas faisable implique que
A
′n'est pas faisable 6
.
Proposition 4.21:
La faisabilité par restritionest monotone etla