Introduction

Apprentissage et Fouilles de données
Salma Najar 20 Mars 2008
FilterBoost: Regression et Classification
On Large Datasets
Joseph K. Bradley
et
Robert E.Schapire

Plan
•
•Introduction
•Filterboost
•Analyse
•Expérimentations
•Conclusion

•Introduction •Travaux antérieurs •Problématique & motivations •Contribution •Conclusion
Introduction
Introduction •Analyse FilterBoost Expérimentations Conclusion
Introduction Problématique Motivation
Batch Boosting
•Weak Learner
•S: Ensemble fixe d’exemple d’entrainement
•Après T ronds
-
+
--
+
Booster Hypothèse Finale
H
Dt
εtαt
ht
Dt

•Introduction •Travaux antérieurs •Problématique & motivations •Contribution •Conclusion
Problématique
Batch Booster accède à l’ensemble entier des exemples
d’entrainement
Traitement très cher pour les larges bases de données.
•Limite son application: Problème de classification des sites en
ligne par exemple
•Limite son efficacité: A chaque rond Un traitement dans la
base de données entière.
Introduction Problématique Motivation
Introduction •Analyse FilterBoost Expérimentations Conclusion

•Introduction •Travaux antérieurs •Problématique & motivations •Contribution •Conclusion
Motivation
Le but principal :
Rendre le boosting faisable dans de large base de données
Idée principle:
Utiliser un flux de données au lieu d’utiliser la base de données en
entier.
Entrainer un nouveau sous ensemble de données à chaque rond.
Introduction Problématique Motivation
Introduction •Analyse FilterBoost Expérimentations Conclusion
FilterBoost