Amélioration des Performances des Classifieurs à base de Métaheuristiques.

Abstract

La performance d’une méthode de classification est d’un grand intérêt pour le choix, la comparaison et la validation des algorithmes de classification. La lisibilité des résultats et la réduction du cout d’échec total de la classification sont d’une importance cruciale pour l’amélioration de la performance des classifieurs. Dans ce mémoire de magister, nous proposons principalement deux approches de résolution à travers la description d’un modèle d’optimisation métaheuristique baptisé ProSadm-HBA (ProSadm : Programmation d’un Système d’Aide au Diagnostic Médical, en conjonction avec la métaheuristique HBA : Homogeneity Based-Algorithm) et F-HBA ( Fuzzy Homogeneity Based-Algorithm). Nous avons validé nos résultats expérimentaux sur des bases de données médicales connues : Pima (Diabètes), TH (Troubles Hépatiques), AP (Appendicite). Les approches développées permettent de minimiser le nombre total d’échecs de la classification (ProSadm-HBA) tout en respectant la contrainte d’interprétabilité des classifieurs (F-HBA). Ces contributions peuvent être d’un grand intérêt pour les experts dans le domaine médical.Performance of a classification method is of great interest for choosing, comparing and validation of classification algorithms. The transparency of results and the reduction of the total misclassification cost are of vital importance as well as the improvement of the performance of classifiers. In this magister report, we propose two solving approaches through the description of a meta-heuristic optimization model denoted ProSadm-HBA (ProSadm in conjunction with HBA: Homogeneity Based-Algorithm) and F-HBA ( Fuzzy Homogeneity Based-Algorithm) .we validated our experimental results based on three well known medical datasets: PID (Pima Indian Diabetes), LD (Liver Disorders) and AP (Appendicitis) . The developed approaches allow minimizing the total number of misclassification cases (ProSadm-HBA) while respecting the interpretability constraint of classifiers (F-HBA). These contributions can be of great interest for experts in the medical field.