données de type intervalle

Développement de nouvelles méthodes de
classification de données
• Des travaux à la fois :
– théoriques (étude des méthodes existantes, proposition de nouveaux
critères, optimisation des critères proposés, élaboration et développement
de nouvelles approches).
– pratiques (implémentation des algorithmes proposés et des outils
d’évaluation adaptés, validation expérimentale des méthodes proposées
sur des données simulées et réelles).
• Contact et responsable : Hani HAMDAN ([email protected])
Développement de nouvelles méthodes de
classification de données
Cadre : Modèles de mélange et algorithme EM, méthodes géométriques,
méthodes graphiques, réseaux de neurones, etc.
Données standards en deux dimensions
Classification par l’algorithme CEM
Développement de nouvelles méthodes de
classification de données de type intervalle
(Modèles de mélange)
Le formalisme de données de type intervalle se trouve tout à fait naturel
dans beaucoup d’applications où les intervalles représentent
l’incertitude de mesure ou la variabilité.
Données imprécises (vecteurs d’intervalles)
Classification par l’algorithme interval-EM
Développement de nouvelles méthodes de
classification de données de type intervalle
(Modèles de mélange)
Le formalisme de données de type intervalle se trouve tout à fait naturel
dans beaucoup d’applications où les intervalles représentent
l’incertitude de mesure ou la variabilité.
Données imprécises (vecteurs d’intervalles)
Classification par l’algorithme interval-CEM
Développement de nouvelles méthodes de
classification de données de type intervalle
(Approches neuronales)
Le formalisme de données de type intervalle se trouve tout à fait naturel
dans beaucoup d’applications où les intervalles représentent
42
l’incertitude de mesure ou la variabilité.
23 57
58
35
28
96 32
90 14
68
87
23 26 28 35 41
42 57 61 92
24 43 77
89 106
49
1 5 10 14 32 45
58 87 90 96
26
56 67 70
92
61
88
76
16
16 49 50 52
19 20 22
30 39 84
7 46 51 55 76
80 88 95 101
2 4 9 17 27
37 71 72
21 33 34 66
82 93 105
12 15 38 44 53
62 68 75 100
11 25 36 64
83 86 104
45
41
7
83
5
33
55
82
21
104
18 40 48 59
60 69 94
86
40
106
36
59 48
56
29 54 73 79
81 98 103
8 63 91
6 31 47
19
71
6
94 63
67 8
70
69
79
74
46
39
60
64
10
17
2
72
9
84 101
4
103
29
95
30
15 12
18
27
22
38
77
20
3 13 65 74 78
85 97 99 102
53 62
34
80
52
37
100
44
11
25
51
105
89
50
75
93
66
1
85
73
81
31 24
47
43
91
98
54
78
97
65
102
13
3
99
Cartes auto-organisatrices (16 neurones)
Classification par l’algorithme interval-SOM
Développement de nouvelles méthodes de
classification de données discrétisées
(Binned data)
8
Traitement plus rapide avec
une précision satisfaisante.
6
4
8
(Bins)
2
6
0
4
−2
2
−4
−15
0
−10
−5
0
5
10
15
20
25
8
6
−2
4
−4
−15
−10
−5
0
5
10
Données brutes
15
20
2
25
(Fréquences)
0
40
35
30
25
20
15
10
5
0
5
10
15
20
25
30
35
40
45
Développement de nouvelles méthodes de
classification de données discrétisées
(Choix de modèles)
Un bon modèle ?!
Modèle non adapté
Comparaison
Développement de nouvelles méthodes de
classification de données discrétisées
(Choix de modèles)
40
30
20
10
Un bon modèle ?!
Modèle non adapté
0
−10
−20
−30
−30
−20
−10
0
10
20
40
40
30
30
30
20
20
Comparaison
10
10
0
0
−10
−10
−20
−20
−30
−30
−20
−10
0
10
20
30
−30
−30
−20
−10
0
10
20
30
Développement de méthodes de classification pour les
données séquentielles
Contexte : Dans certaines applications, les données observées ne sont
pas toutes disponibles en même temps, mais arrivent séquentiellement
au cours du temps.
• Exemple de classification séquentielle :
8
8
8
6
6
6
4
4
4
2
2
2
0
0
0
−2
−2
−2
−4
−4
−4
−6
−6
−6
−8
−8
−8
−10
−6
−4
−2
0
2
4
6
8
10
12
Données à t = 5s (2 classes)
14
−10
−6
−4
−2
0
2
4
6
8
10
12
Données à t = 10s (2 classes)
14
−10
−6
−4
−2
0
2
4
6
8
10
12
Données à t = 15s (3 classes)
14
Développement de méthodes de classification pour les
données séquentielles de type intervalle
Contexte : Dans certaines applications, les données observées sont de
type intervalle et ne sont pas toutes disponibles en même temps, mais
arrivent séquentiellement au cours du temps.
• Exemple de classification séquentielle :
8
8
8
6
6
6
4
4
4
2
2
2
0
0
0
−2
−2
−2
−4
−4
−4
−6
−6
−6
−8
−8
−8
−10
−10
−5
0
5
10
15
Données à t = 5s (2 classes)
−10
−5
0
5
10
Données à t = 10s (2 classes)
15
−5
0
5
10
Données à t = 15s (3 classes)
15