Classification Multi-labels des données médicales.

Abstract

Dans la classification supervisée traditionnelle, nous distinguons deux problématiques souvent rencontrées : la classification mono-labels qui associe à chaque exemple de l’apprentissage une classe et la classification multi-classes ayant un m^eme but, mais à la différence plusieurs classes sont possibles dans la sortie et chaque exemple est associé à une seule classe. Récemment, un nouvel axe de recherche a émergé qui attribue à chaque exemple de l’apprentissage une ou plusieurs classes simultanément, il s’agit de la Classification Multilabels. Ce nouveau domaine a attiré l’attention de nombreux chercheurs. Dans le domaine médical, l’application de la classification multi-labels s’avère très intéressante puisque sur le terrain, les patients peuvent être atteints de plusieurs pathologies simultanément. Cette problématique nécessite des méthodes de la classification multi-labels pour pouvoir la résoudre, puisque les méthodes de classification mono-labels se limitent à affirmer ou infirmer la présence d’une seule pathologie chez un patient. Il existe deux familles de méthodes : les méthodes de transformation et d’adaptation. Dans ce projet de fin d’études Master IBM nous présentons les notions de bases de ce nouveau domaine, nous élaborons également une étude comparative entre deux algorithmes très intéressants appartenant à ces deux familles de méthodes en proposant des contributions se basant sur les méthodes d’ensembles par la création d’une méthode appelée Bagged Mlknn ainsi que RAkEL Random Forest.