Classifcation and Recognition of Biomedical Data with Ensemble Methods

Abstract

Cette thèse de doctorat concerne l’amélioration des performances des méthodes d'ensembles en faisant appel à des nouvelles approches d'apprentissage artificiel. La première partie introduit une nouvelle méthode d’ensemble pour la classification des données biomédicales. Pour cela nous avons proposé un modèle appelé Sub_RF (pour Subspaces Random Forest) qui utilise les RSM (Random Subspaces Method) et les Forets aléatoires pour la génération d’un ensemble d’arbres aléatoires. Les résultats obtenus par cette approche sont très compétitives comparant avec ceux obtenus dans la littérature. La deuxième partie de cette thèse traite le problème de l’élagage dynamique dans les méthodes d’ensemble. L’objectif principal de cette partie consiste à développer une nouvelle technique du Pruning Dynamique basée sur une nouvelle notion de voisinage. Les résultats obtenus avec notre approche du Dynamic Pruning sont très prometteurs.