Apprentissage automatique

Pr A. MAJDA
MASTER SIR FSTF
2014 -2015
1
Les Arbres de Décision

Arbre de décision
2
Exemple 1 : Aide au diagnostic

Arbres de décision
3
Ce sont des structures de données utilisée pour la classification
Méthode récursive basée sur diviser-pour-régner pour créer
des sous-groupes purs appartenant à une même classe
Objectif : Construction du plus petit arbre de décision
possible
Nœud = Test sur un attribut (douleur, fièvre, toux)
Une branche pour chaque valeur (abdomen, gorge,…) d’un attribut
Les feuilles désignent la classe de l’objet à classer (appendicite, mal de
gorge,…). Il existe au moins deux classes
Problèmes: Choix de l’attribut

Arbre de décision
4
Exemple 1 :
Un ensemble de tests :
Origine de la douleur ?
Est-ce qu’il y a de la fièvre ?
Est-ce que le patient tousse?
….
Si aucune erreur n’est commise dans ces réponses, l’identification est
réalisée.
Le principe de cette règle de décision est d’organiser l’ensemble des
tests possibles comme un arbre
Une feuille de l’arbre désigne une des C classes , mais une classe peut
correspondre à plusieurs feuilles
Problème : comment réaliser l’apprentissage de telles structures de
décision à partir d’exemples ?

5
Exemple 2 : Vais-je sortir le chien ou non ?
Les attributs suivants :
Quel temps fait –il? A nominal (pluvieux, ensoleillé, couvert)
Quelle est la température extérieure? A numérique
Est-ce que le jardin est ouvert ? A binaire
Selon mon expérience (Expert) si le temps est pluvieux je reste
chez moi quelque soit les valeurs des autres attributs
l’expérience m’a prouvé que si le jardin est fermé la
promenade devient désagréable.