Classification Multicritère De Données Évolutives : Application Diagnostic Médical

Résumé: L’extraction de connaissances à partir de données provenant de sources hétérogènes nécessite des techniques plus intelligentes classées dans une nouvelle branche de la recherche scientifique nommée Apprentissage Automatique. Le principe de l’apprentissage automatique est de concevoir des systèmes autonomes capables d’extraire des connaissances utiles à partir de données disponibles servant à la prise de décision. Cependant, la fiabilité des sources de données, la nature des connaissances elles-mêmes ainsi que le choix des techniques à utiliser pour extraire ces connaissances sont les principaux problèmes liés à l’hétérogénéité des sources de données. Très peu de systèmes d’apprentissage sont dotés de cette faculté d’adaptation à l’évolution et la multi-modalité de données. La Classification Dynamique est un nouvel axe de l’apprentissage automatique qui s’intéresse justement à ce type de problèmes. La majorité des algorithmes de classification classique ne prennent pas en considération le caractère évolutif des classes et la multi-modalité des données, ce qui conduit à de mauvais résultats de classifications comme dans beaucoup de domaine (biologie, diagnostic médicale, biotechnologie, reconnaissance de visages, etc.) où les connaissances évolues dans le temps et où la véracité des connaissances varie en fonction des capteurs qui peuvent être à la fois complémentaires et même parfois contradictoires (exemple : classification de la végétation qui varie en fonction de la saison). De plus, en aide à la décision multicritère (MCDA ou MultiCriteria Decision Aiding), on suppose que les différentes alternatives se présentant au décideur peuvent être décrites sur un certain nombre de propriétés ou attributs. Si l’on est capable d’établir une échelle de préférence sur un attribut, on parle alors de critère. Les valeurs des alternatives sur ces critères représentent la prise en compte de points de vue diversifiés, en général non réductibles à un seul critère. Ces critères sont souvent conflictuels. La difficulté est d’arriver à obtenir une comparaison relative des alternatives, afin de guider le choix du décideur vers la solution qui lui paraîtra optimale. En effet, la notion d’optimisation “dans l’absolu” est vide de sens en décision multicritère, car il n’existe généralement pas d’alternative optimisant tous les critères simultanément. Il est donc nécessaire de prendre en compte de l’information supplémentaire, en particulier l’importance relative de chaque critère et les compensations possibles entre les différents critères. La collaboration des classificateurs est une des meilleures solutions pour la classification dynamique des données, où le processus d’apprentissage ainsi que la classification sont partagés entre plusieurs classificateurs qui coopèrent d’une façon intelligente et complètement autonome.

Publié dans la revue: