Comparaison de classifieurs profonds par un critère basé densité de probabilité des taux d'erreurs
Résumé
Généralement, les algorithmes d'apprentissage profond sont évalués en termes de taux d'erreur ou du f-score. Le biais et la variance sont souvent retenus pour des comparaisons rigoureuses entre classifieurs. Ici, nous proposons une approche plus complète basée sur les estimateurs des fonctions densités de probabilité (fdp) des taux d'erreur respectifs des classifieurs. Pour les bases de données de petite taille,les taux d'erreurs générés par les réseaux de neurones profonds comme les architectures CNN présentent des valeurs de souvent très dispersées. L'estimation de la densité de probabilité de la variable aléatoire taux d'erreur permettrait de comparer les performances des classifieurs de manière plus précise. Dans ce contexte, nous proposons de générer des échantillons de 100 taux d'erreur puis d'estimer leurs densité par des méthodes non paramétriques. Dans ce travail, l'estimateur à noyau difféomorphisme ajusté au sens de son paramètre de lissage, connu pour sa précision au sens de l'Ecart Quadratique Moyen Intégré (EQMI) tout en tenant compte des contraintes sur le support de la distribution, a été utilisé. Nous introduisons également un critère de comparaisons basé sur la convolution entre les densités associées aux classifieurs. Des expérimentations sont menées pour la comparaison dans ce sens des algorithmes Lenet et CNN sur la base d'images MPEG-7 .
Domaines
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |