Système de classification hybride interprétable par construction automatique de systèmes d'inférence floue
Résumé
In pattern recognition, it is often
difficult to perform classifiers that are at the same time accurate,
generic and that model knowledge in a comprehensible
way. Nevertheless, ``transparent'' classifiers allow experts to
maintain systems and to
operate several optimizations (recognition rates, complexity,
...). To satisfy these objectives, we propose a new hybrid
classifier that takes advantage of a double modeling based on two
different kind of knowledge: intrinsic and discriminant. The
knowledge is extracted automatically and clarified in a robust way by
fuzzy sets. These ones are used to generate fuzzy inference systems
that allow aggregation and fusion of the knowledge to make decision in
a robust and comprehensive
way. Experimentations reported here also validate
adaptability and accuracy of the classifier
En reconnaissance des formes, il est
souvent difficile de concevoir des systèmes à la fois performants, génériques
et interprétables. Pourtant, l'interprétabilité du
système permet à un expert de le
maintenir et d'optimiser ses
performances (taux de reconnaissance,
fiabilité, occupation mémoire, ...). Afin de répondre à ces
objectifs, nous proposons un nouveau classifieur hybride qui repose
sur une combinaison originale de deux niveaux
de modélisation complémentaires basés sur des connaissances
intrinsèques et discriminantes. Les informations sont modélisées de
façon robuste et explicite par des sous-ensembles flous extraits de manière
automatique. Des systèmes d'inférence floue permettent alors d'agréger
et de fusionner les connaissances afin d'obtenir un
processus de décision robuste et compréhensible. Les
expérimentations reportées dans cet article valident aussi
les propriétés de généricité et de performances.