Amelioration de la Robustesse dun Classifieur Flou par Apprentissage.

Abstract

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.