Construction de descripteurs pour classer à partir d'exemples bruités - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2009

Construction de descripteurs pour classer à partir d'exemples bruités

Résumé

Dans les données réelles, il est courant que les attributs qui décrivent les objets soient bruités. En classification supervisée, la présence de bruits peut avoir des effets désastreux sur la performance des classifieurs (notamment en terme de précision) comme sur la pertinence des décisions prises par les modèles prédictifs. On peut identifier deux types de bruits : d'une part, le bruit portant sur l'attribut classe qui a été beaucoup étudié ces dernières années ; d'autre part, le bruit affectant les autres attributs pour lequel quelques approches ont été récemment développées. Notre contribution apporte une solution concernant le problème des attributs non-classe bruités en classification supervisée. Pour cela, nous proposons de construire de nouveaux descripteurs robustes basés sur une représentation condensée approximative des itemsets fréquents. Les résultats expérimentaux montrent que des classifieurs (C4.5 et Naive Bayes) sont plus performants en terme de précision sur des données bruitées munies de ces nouveaux descripteurs que sur les données originales.
Fichier non déposé

Dates et versions

hal-01437615 , version 1 (17-01-2017)

Identifiants

  • HAL Id : hal-01437615 , version 1

Citer

Nazha Selmaoui-Folcher, Dominique Gay, Jean-François Boulicaut. Construction de descripteurs pour classer à partir d'exemples bruités. Actes des 9ème journées Extraction et Gestion de Connaissances EGC'09, RNTI-E-15, Jan 2009, Strasbourg, France. pp.91-102. ⟨hal-01437615⟩
399 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More