Une version corrigée de l’algorithme des plus proches voisins pour l’optimisation de la F-mesure dans un contexte déséquilibré - Archive ouverte HAL Access content directly
Conference Papers Year : 2019

Une version corrigée de l’algorithme des plus proches voisins pour l’optimisation de la F-mesure dans un contexte déséquilibré

Rémi Emonet
Guillaume Metzler
Sébastien Riou
  • Function : Author
  • PersonId : 1053356
Marc Sebban

Abstract

Dans le présent papier, nous proposons une approche basée sur l’algorithme des plus proches voisins pour de l’apprentissage dans un contexte déséquilibré. Dans un tel contexte, les exemples de la classe minoritaire sont au centre de l’attention et nécessitent des critères d’optimisation spécifiques pour nous permettre de les détecter, comme la F-mesure. Reposant sur des fondements géométriques, nous présentons un algorithme qui pondère la distance entre un nouvel exemple et les exemples positifs de la classe minoritaire. Cela entraı̂ne une modification des régions de Voronoı̈ et donc de la frontière de décision. Une analyse théorique de cette pondération explique comment il est possible de réduire le taux de faux négatifs tout en contrôlant le taux de faux positifs. Les expériences menées sur plusieurs jeux de données publiques, ainsi que sur de grands jeux de données du Ministère de l’Economie et des Finances sur la détection de fraude à l’impôt, mettent en évidence l’efficacité de la méthode en dépit de sa simplicité. En outre, elle se révèle d’autant plus intéressante et performante lorsque qu’elle est combinée à des méthodes d’échantillonage.
Fichier principal
Vignette du fichier
cap2019.pdf (1.04 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-02868516 , version 1 (15-06-2020)

Identifiers

  • HAL Id : hal-02868516 , version 1

Cite

Rémi Viola, Rémi Emonet, Amaury Habard, Guillaume Metzler, Sébastien Riou, et al.. Une version corrigée de l’algorithme des plus proches voisins pour l’optimisation de la F-mesure dans un contexte déséquilibré. Conférence sur l'Apprentissage automatique (CAp 2019), Jul 2019, Toulouse, France. ⟨hal-02868516⟩
77 View
43 Download

Share

Gmail Facebook X LinkedIn More