Veuillez utiliser cette adresse pour citer ce document : http://dspace1.univ-tlemcen.dz/handle/112/7362
Titre: Amelioration de la Robustesse dun Classifieur Flou par Apprentissage.
Auteur(s): Saidi Mohammed, El-Fatih
Mots-clés: Classification Supervisé;Interprétabilité;Règles floues;Génétique Algorithme;Précision.
Date de publication: 15-fév-2015
Résumé: La précision et interopérabilité sont deux approches importantes dans la conception d’un système de classification flou. Dans beaucoup d’applications de monde réel, comme dans le domaine médical L’expert devrait être capable de comprendre le classifier et d’évaluer ses résultats. Les modèles à base de règles floues sont particulièrement adaptés, car ils sont constitués de simples règles linguistiques interprétables. Ce mémoire de Magister traite la possibilité d’utilisation des Algorithmes Génétiques afin d’augmenter la robustesse de notre classifier floue a travers d’un processus d’apprentissage structurelle et paramétrique. La partition floue, le choix de nombre de variables pertinents et le raisonnement flou utilisés sont des taches les plus étudiés dans plusieurs travaux qui existent dans la littérature. Nos résultats expérimentaux appliqués sur la base de données du diabète (UCI Machine E-learning) montrent une augmentation dans la précision sans détérioration de interopérabilité. L’approche proposée est simple et efficace pour clarifier la décision finale du classifier.
URI/URL: http://dspace.univ-tlemcen.dz/handle/112/7362
Collection(s) :Magister SIC

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
Amelioration-de-la-Robustesse-dun-Classifieur.pdf1,97 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.