Apprentissage par Regroupement d'Attributs dans les Systèmes d'Inférence Floue - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2019

Regrouping Attributes in Fuzzy Inference Systems

Apprentissage par Regroupement d'Attributs dans les Systèmes d'Inférence Floue

Résumé

Les systèmes de classification à base de règles floues possèdent l'avantage de produire des modèles de classification intelligibles et compréhensibles par l'utilisateur. Ces méthodes permettent de construire un modèle sous forme d'un ensemble de règles floues. L'inconvénient majeur de ces systèmes est leur complexité lorsqu'ils sont appliqués à des bases de données de grandes dimensions. En effet, le nombre de règles floues générées par ces systèmes augmente exponentiellement avec l'augmentation du nombre d'attributs descriptifs. Ce problème peut toutefois être résolu par des méthodes d'ensemble. Ces méthodes consistent à combiner plusieurs classifieurs, en fournissant à chaque classifieur une projection différente des données de départ. En utilisant cette méthode, nous bénéficions de deux avantages principaux. D'une part, la complexité du système global est réduite par la décomposition de ce problème en des sous-problèmes de complexité inférieure. D'autre part, la performance du système de classification global peut être améliorée par la participation de plusieurs classifieurs. C'est dans ce cadre que s'inscrit notre recherche, celui des systèmes de classification à base de règles floues utilisant l'approche des méthodes d'ensemble. Dans ce contexte, nous nous intéressons plus précisément aux méthodes d'ensemble qui visent à créer un regroupement des attributs descriptifs ; les attributs qui sont liés sont regroupés et traités par un même classifieur. Dans un premier temps, nous cherchons à analyser les différentes manières de regrouper les attributs. Des méthodes et mesures d'association et de corrélation sont ainsi étudiées. Dans un deuxième temps, nous proposons de nouvelles méthodes pour le regroupement d'attributs qui sont basées sur le concept des règles d'association et de la génération des itemsets fréquents. Ces méthodes permettent de détecter des associations intéressantes, de différents types et formes, entre les attributs. Ces méthodes sont aussi applicables sur différents types de données, notamment les variables quantitatives et qualitatives. Finalement, les méthodes de regroupement d'attributs, proposées dans ce travail, pourraient être utilisées dans d'autres contextes d'apprentissage que ceux des systèmes de classification à base de règles floues.
Fuzzy Rule-Based Classification Systems are very powerful since they provide an easily interpretable model consisting of linguistic if-then rules. The big challenge of these systems is how to deal with high dimensional databases. Indeed, when the number of attributes is high, an exponential increase of the generated rules number is expected. In this context, we focus on an interesting solution to cope with that problem which is the use of ensemble methods. In these methods, the learning problem which involves a big number of attributes is decomposed into sub-problems of lower complexity. Different classifiers are thus constructed with different projections of the features set and the decisions of the different classfiers are combined in order to form the final classification model. Using an ensemble method, we can take advantage of the following benefits. On the one hand, the complexity of the classification system can notably be reduced. On the other hand, the performance and precision of the classification task can be improved since we take in consideration the opinions of different classifiers rather than one single opinion. Our research lies with the scope of the ensemble methods which are used in the context of fuzzy rule-based classification systems. We are interested in particular in the methods which can be used to regroup the set of attributes into sub-groups of dependent ones. First, we analyze the different methods proposed in the literature to detect associations and correlations between the features. Then, we propose new methods of attributes regrouping which are based on the association rules concept and the frequent itemsets mining. The proposed methods are able to detect interesting associations between the attributes ; these associations can be of different types and shapes. These methods can be applied on numerical as well as categorical attributes. In addition, the proposed methods of attributes regrouping can be applied not only on the fuzzy rule based classification systems, but also on different other learning approaches.
Fichier principal
Vignette du fichier
rapport thèse ilef ben slima-HAL.pdf (3.89 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03181242 , version 1 (20-04-2021)

Identifiants

  • HAL Id : tel-03181242 , version 1

Citer

Ilef Ben Slima. Apprentissage par Regroupement d'Attributs dans les Systèmes d'Inférence Floue. Apprentissage [cs.LG]. Université de Tunis El Manar, 2019. Français. ⟨NNT : ⟩. ⟨tel-03181242⟩
77 Consultations
45 Téléchargements

Partager

Gmail Facebook X LinkedIn More