Association Rule Mining (ARM) in data mining provides quality association rules based on measures such as support and confidence. These rules are interpreted by domain experts for making well-informed decisions. However, there is an issue with ARM when the dataset is subjected to changes from time to time. Discovering rules by reinventing wheel, scanning entire dataset every time in other words, consumes more memory, processing power and time. This is still an open problem due to proliferation of different data structures being used for extracting frequent item sets. An algorithm is proposed...

Association Rule Mining (ARM) im Data Mining liefert qualitativ hochwertige Assoziationsregeln auf der Grundlage von Maßstäben wie Unterstützung und Vertrauen. Diese Regeln werden von Fachleuten interpretiert, um fundierte Entscheidungen zu treffen. Es gibt jedoch ein Problem mit ARM, wenn der Datensatz von Zeit zu Zeit Änderungen unterworfen ist. Die Entdeckung von Regeln, indem das Rad neu erfunden wird und der gesamte Datenbestand jedes Mal gescannt wird, verbraucht mehr Speicher, Rechenleistung und Zeit. Dies ist immer noch ein offenes Problem aufgrund der Verbreitung verschiedener...

L'extraction de règles d'association (ARM) dans l'exploration de données fournit des règles d'association de qualité basées sur des mesures telles que le soutien et la confiance. Ces règles sont interprétées par des experts du domaine pour prendre des décisions bien informées. Cependant, l'ARM pose un problème lorsque l'ensemble de données est soumis à des changements de temps en temps. La découverte de règles en réinventant la roue, en analysant l'ensemble des données à chaque fois, autrement dit, consomme plus de mémoire, de puissance de traitement et de temps. Ce...