Expérimentation de l'entropie décentrée pour le traitement des classes déséquilibrées en induction par arbres - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2008

Expérimentation de l'entropie décentrée pour le traitement des classes déséquilibrées en induction par arbres

Résumé

En apprentissage supervisé, les données réelles sont souvent fortement déséquilibrées. Dans le cas des arbres de décision, trois types d’amélioration peuvent être apportés : pour la fonction de segmentation, la règle de décision et la procédure d’élagage. Notre contribution concerne la fonction de segmentation, pour laquelle nous avons proposé une méthode de décentrage des entropies usuelles. Dans ce papier, nous rendons compte des expériences pratiquées sur 25 bases de référence en utilisant C4.5, qui montrent les excellents résultats de l’entropie décentrée face à l’entropie de Shannon, y compris après un bagging.
Fichier principal
Vignette du fichier
7873.pdf (207.16 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02120778 , version 1 (15-05-2019)

Identifiants

  • HAL Id : hal-02120778 , version 1

Citer

Thanh Nghi Do, Nguyen-Khang Pham, Stéphane Lallich, Philippe Lenca. Expérimentation de l'entropie décentrée pour le traitement des classes déséquilibrées en induction par arbres. Atelier Qualité des Données et des Connaissances (associé à la conférence Extraction et Gestion des Connaissances 2008), 29 janvier, Sophia Antipolis, France, Jan 2008, Sophia Antipolis, France. pp.39 - 49. ⟨hal-02120778⟩
57 Consultations
24 Téléchargements

Partager

Gmail Facebook X LinkedIn More