Conception d’un classifeur à base des règles floues

Abstract

L’interprétabilité représente l'élément le plus important derrière l’implémentation des classifieurs flous pour des problèmes d'application médicale. L'expert devrait être en mesure de comprendre le classifieur et d'évaluer ses résultats. Cette thèse présente deux nouvelles approches pour construire un classifieur flou interprétable. La première approche introduit une modification au niveau de l’algorithme de la colonie d’abeilles artificielles (ABC) dans lequel un opérateur de croisement mixte (BLX-α) de l'algorithme génétique est ajouté afin d'améliorer la diversité de l’algorithme standard ABC. Dans la deuxième approche, nous avons intégrés dans l’algorithme d’optimisation par essaime particulaires (OEP) le même opérateur de mutation utilisé dans l’approche précédente, en vue d'améliorer la diversité des solutions dans l’algorithme standard OEP. Les expérimentations sont réalisées sur deux bases de données médicales bien connues, le cancer du sein et le diabète. Les résultats obtenus avec les approches proposées sont très prometteurs par rapport aux précédentes recherches dans la littérature, pour les mêmes problèmes.