Approches Ensemblistes De Classification Et Sélection Des Prédicteurs Pour La Reconnaissance De Formes

Résumé: Ces dernières années, les approches d’Ensemble de Classifieurs (EdC) ou les systèmes multi-classifieurs ont attiré l’attention de la communauté de l’apprentissage automatique en tant que technique de classification significative. Trois mécanismes fondamentaux régissent la création d’un système multi-classifieurs : la génération d’un ensemble des classifieurs diversifiés, la sélection des classifieurs et finalement la combinaison des sorties des classifieurs sélectionnés. La sélection de classifieurs est une phase fondamentale dans le processus d’optimisation d’un système multi-classifieurs. Le travail de recherche présenté dans cette thèse concerne le développement d’approches de construction d’ensemble de classifieurs se basant sur le compromis « diversité-précision». Dans un premier temps, un système multi-classifieurs combinant la méthode Random Subspace et la sélection statique est proposé pour la classification des images médicales. L’étape de sélection de classifieurs de cette approche est basée sur l’utilisation de différentes mesures de diversité pour l’évaluation de la compétence des sous-ensembles candidats. Notre deuxième contribution concerne la proposition d’une nouvelle approche de sélection statique de classifieurs basée sur l’intégration de la méthode mRMR (minimum Redundancy Maximum Relevance) et les mesures de diversité en utilisant différents algorithmes de recherche. Nous avons observé que cette approche de sélection a choisi un seul EdC pour classer tous les échantillons de test ou de généralisation. Cependant, il n y a aucune garantie que l’EdC sélectionné est l’ensemble le plus susceptible pour classer un échantillon non étiqueté. À ce titre, notre dernière contribution porte sur une nouvelle approche de sélection dynamique de prédicteurs permettant de choisir, pour chaque exemple à classer, l’EdC le plus confiant pour décider la classe d’appartenance. Cette approche vise à améliorer la performance de classification des bases de données médicales déséquilibrées en combinant les approches d’échantillonnage des données d’apprentissage et la sélection dynamique de prédicteurs.

Publié dans la revue: