A Variable Importance Measure for a Cost Sensitive Random forest Predition on a Budget.

Abstract

De nos jours, avoir de bons soins de santé en utilisant moins d’argent devient un défi, car les technologies sont devenues de plus en plus coûteuses et les budgets sont limités. D’autre part, dans le diagnostic médical, une fausse prédiction négative ( une personne malade déclarée comme étant saine ) peut avoir des conséquences plus graves qu’une fausse prédiction positive et leur attribuer des coûts égaux est inapproprié. Ce projet de fin d’études contribue à la fois aux apprentissages budgétisés et aux apprentissages sensibles au coût en développant un modèle capable de faire un compromis entre les coûts de classification erronée et les coûts de test. Le modèle proposé est basé sur l’idée d’utiliser les mesures d’importance de variables de la forêt aléatoire en tant que coûts de test et en choisissant l’arbre optimal de la forêt développée en tant que stratégie de test. Notre modèle a été testé sur dix base de données: neuf base de données de UCI Machine Learning et une base de données du monde réel: le myélome multiple; collectée au Centre de Lutte Contre le Cancer (CLCC) de Tlemcen.