. Nous-avons-ci, On peutégalementpeutégalement définir des modèles d'´ etude impliquant la taille de la conclusion Signalons enfin deux modèles intéressants [29] o` u relativement au tableau de contigence 2 × 2 croisant {a, ¯ a} avec {b, ¯ b}, on procèdè a la multiplication des contenus, soit des deux lignes [n(a ? b), n(a ? ¯ b)] et [n(¯ a ? b), n(¯ a ? ¯ b)] soit des deux colonnes, et [n(a ? ¯ b), n(¯ a ? ¯ b)], respectivement par deux constantes k 1 et k 2

]. R. Références1, T. Agrawal, A. Imielinsky, and . Swami, Mining association rules between sets of items in large databases, Proceedings of the ACM SIGMOD'93, pp.207-216, 1993.

J. Blanchard, F. Guillet, H. Briand, and R. Gras, Assessing rule with a probabilistic measure of deviation from equilbrium, Francé Ecole Nationale Supérieure des Télécommunications 11th International Symposium on Applied Stochastic Models and Data Analysis ASMDA, pp.191-200, 2005.

F. Daudédaud´daudé, Analyse et justification de la notion de ressemblance entre variables qualitatives dans l'optique de la classification hiérarchique par AVL, 1992.

W. Feller, An introduction to probability theory and its applications, 1964.

R. Gras, P. Kuntz, and H. Briand, Foundations of the implicative statistical analysis and their extensions for data mining, Math??matiques et sciences humaines, issue.154, pp.154-1559, 2001.
DOI : 10.4000/msh.2849

S. Guillaume, Traitement des données volumineuses Mesures et algorithmes d'extraction des r` egles d'association et r` egles ordinales, 2000.

J. Lagrange, Analyse implicative d'un ensemble de variables numériques ; application au traitement d'un questionnairè a réponses modales ordonnées, pp.71-93, 1998.

S. Lallich and O. Teytaud, ´ Evaluation et validation de l'intérêt des r` egles d'association, pp.193-218, 2004.

S. Lallich, B. Vaillant, and P. Lenca, Parametrised measures for the evaluation of association rule interestingness, Francé Ecole Nationale Supérieure des Télécommunications 11th International Symposium on Applied Stochastic Models and Data Analysis ASMDA, pp.220-229, 2005.

P. Lenca, P. Meyer, B. Picouet, and S. Lallich, ´ Evaluation et analyse multicritère des mesures de qualité des r` egles d'association, pp.219-245, 2004.

I. Lerman, Sur l'analyse des données préalablè a une classification automatique ; proposition d'une nouvelle mesure de similarité, Mathématiques et Sciences Humaines, issue.8, pp.5-15, 1970.

I. Lerman, Justification et validité statistique d'uné echelle [0,1] de fréquence mathématique pour une structure de proximité sur un ensemble de variables observées. Publications de l, pp.27-57, 1984.

I. Lerman, Analyse de la vraisemblance des liens relationnels : une méthodologie d'analyse classificatoire des données, Apprentissage artificielet fouille de données, RNTI A3, pp.93-126, 2009.

I. Lerman and J. Azéaz´azé, A New Probabilistic Measure of Interestingness for Association Rules, Based on the Likelihood of the Link, Quality measures in data mining, Studies in Computational Intelligence, pp.207-236, 2007.
DOI : 10.1007/978-3-540-44918-8_9

URL : https://hal.archives-ouvertes.fr/inria-00180117

I. C. Lerman, ´ Etude distributionnelle de statistiques de proximité entre structures finies de même type ; applicationàapplicationà la classification automatique, pp.1-52, 1973.

I. C. Lerman, IntroductionàIntroductionà une méthode de classification automatique illustrée par la recherche d'une typologie des personnages enfantsàenfantsà travers la littérature enfantine, XXI), pp.23-49, 1973.

I. C. Lerman, Foundations of the likelihood linkage analysis (lla) classification method. Applied Stochastic Models and Data Analysis, pp.379-397, 1991.

I. C. Lerman, Conception et analyse de la forme limite d'une famille de coefficients statistiques d'association entre variables relationnelles, Mathématiques, Informatique et Sciences humaines, issue.118, pp.33-52, 1992.

I. C. Lerman, R. Gras, and H. Rostam, ´ Elaboration etévaluationetévaluation d'un indice d'implication pour des données binaires i et ii, Mathématique et Sciences Humaines, pp.74-755, 1981.

A. Morineau, Note sur la caractérisation statistique d'une classe et les valeurs-tests, pp.20-27, 1884.

A. Morineau and R. Rakotomalala, Critère vt100 de sélection des régles d'association, Cépadués, editor, Actes de Extraction et Gestion de Connaissances, pp.581-592, 2006.

P. M. Murphy and D. W. Aha, Uci repository of machine learning databases. Machine-readable collection, 1995.

P. Peter, H. Leredde, and I. C. Lerman, Notice du programme chavlh (classification hiérarchique par analyse de la vraisemblance des liens en cas de variables hétérogènes), Agence pour la Protection des Programmes, 2005.

G. Piatetsky-shapiro, Discovery, analysis, and presentation of strong rules, Knowledge Discovery in Databases, pp.229-248, 1991.

R. Rakotomalala and A. Morineau, The TVpercent principle for the counterexamples statistic, Statistical Implicative Analysis, pp.449-462, 2008.
DOI : 10.1007/978-3-540-78983-3_20

G. Ritschard, De l'usage de la statistique implicative dans les arbres de classification, InTroisì eme Rencontre Internationale -Analyse Statistique Implicative, pp.305-316, 2005.

P. Tan, V. Kumar, and J. Srivastava, Selecting the right interestingness measure for association patterns, Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining , KDD '02, 2002.
DOI : 10.1145/775047.775053