Impact de la réduction de la dimension pour l’apprentissage supervisé .Application sur bases médicales.

Abstract

La caractérisation des informations a donné naissance aux bases de données de grande dimension. Ces bases contiennent souvent des informations redondantes et/ou contradictoires. De ce fait, la réduction de dimension a pris place. Dans notre mémoire, nous avons abordé l’impact de différentes méthodes de réduction sur l’apprentissage du PMC (Perceptron Multi- Couche). Nous avons appliqué les méthodes d’extractions (ACP et LDA) et les méthodes de sélections (Relief F et SFS) sur deux bases médicales Colon et Madelon. La LDA a donné les meilleurs résultats sur la base Colon en atteignant les 100%, et le ReliefF a atteint des performances aux alentours des 80% sur la base Madelon.