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

Veuillez utiliser cette adresse pour citer ce document : http://dspace1.univ-tlemcen.dz/handle/112/5295

Affichage complet

Élément Dublin Core	Valeur	Langue
dc.contributor.author	TALBI, Youcef	-
dc.date.accessioned	2014-06-04T11:47:03Z	-
dc.date.available	2014-06-04T11:47:03Z	-
dc.date.issued	2014-06-04	-
dc.identifier.other	MS-003-50-01	-
dc.identifier.uri	http://dspace.univ-tlemcen.dz/handle/112/5295	-
dc.description.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.	en_US
dc.language.iso	fr	en_US
dc.subject	PMC, extraction, sélection, Colon, Madelon.	en_US
dc.title	Impact de la réduction de la dimension pour l’apprentissage supervisé .Application sur bases médicales.	en_US
dc.type	Thesis	en_US
Collection(s) :	Master SIC

Fichier(s) constituant ce document :

Fichier	Description	Taille	Format
Impact_de_la_reduction_de_la_dimension_pour_lapprentissage_supervise_Application_sur_bases_medicales.pdf		740,83 kB	Adobe PDF	Voir/Ouvrir