The improvement of the Learning Environment in the context of Multi-label data

Abstract

Au cours des dernières années, l’apprentissage Multi-labels a attiré l’ attention d’une large communauté de chercheurs de plusieurs domaines. La catégorisation du texte était parmi les premières applications de ce type d’apprentissage dans laquelle un document peut être annoté par plusieurs labels à la fois. Par la suite, ce domaine de recherche a été étendu vers d’autres applications du monde réel. Dans notre thèse, nous nous sommes intéressés à l’ application de la Classification Multi-labels pour l’aide au diagnostic médical. Notre première piste de recherche a été consacrée à l’ étude des avantages de l’utilisation d’ un comité de modèles d’apprentissages à la place d’ un seul apprenant. L’ approche qui a été étudiée adapte l’algorithme du k-plus-proches-voisins au Multi-labels [1]. Deux stratégies de méthodes d’ Ensembles Homogènes ont été étudiées y compris le Bagging [2] et le Boosting [3]. La seconde contribution de notre travail concerne une collecte d’une nouvelle base de données médicale de la Mesure Ambulatoire de la Pression Artérielle (MAPA) [4], qui constitue un outil très puissant et largement sollicité par les cardiologues pour une meilleure prise en charge des patients hypertendus. Dans le même travail, nous avons proposé l’utilisation des méthodes Multi-labels pour une analyse automatique des données MAPA [5]. Une première étude de corrélation entre les six labels de cette base de données a été également réalisée et ce qui nous a permis de déduire l’importance d’étendre notre étude de dépendance de labels en utilisant des techniques plus spécialisées. La dernière partie de notre thèse a été consacrée à l’étude de ce concept en détails. Nous avons présenté une revue de la littérature des algorithmes étudiant également cette problématique, et nous avons appliqué six algorithmes Multi-labels issus des deux grandes familles de méthodes de Transformation et d’ Adaptation, basées sur les arbres de décision pour une meilleure interprétabilité des résultats. A la fin, les résultats retrouvés ont été discutés et plusieurs pistes de recherches pour le futur ont été proposées.