Cooperation-entre-classifieurs-heterogenes-pour-la-reconnaissance-des-donnees-medicales.pdf

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L’ENSEIGNEMENT SUPERIEURE ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE ABOU-BEKR BELKAID – TLEMCEN
THÈSE
Présentée à :
FACULTE DES SCIENCES – DEPARTEMENT D’INFORMATIQUE
Pour l’obtention du diplôme de :
DOCTORAT
Spécialité: Informatique
Par :
BOUBLENZA Amina
(Ep. YOUCEF)
Sur le thème
Soutenue publiquement le 22 février 2017 à Tlemcen devant le jury composé de :
Pr. CHIKH Azzedine
Professeur
Université de Tlemcen
Président
Pr. CHOUARFIA Abdellah
Professeur
Université d’Oran -USTO
Examinateur
Dr. MERAD Lotfi
Dr. BENAMAR Abdelkrim
MCA
MCA
EPST de Tlemcen
Université de Tlemcen
Examinateur
Examinateur
Dr. ABDERRAHIM Mohammed El-Amine
Dr. BENAZZOUZ Mortada
MCA
MCB
Université de Tlemcen
Université de Tlemcen
Examinateur
Invité
Mr. CHIKH Mohammed Amine
Professeur
Université de Tlemcen
Directeur de thèse
Coopération entre classifieurs hétérogènes pour la
reconnaissance des données médicales

Résumé
Durant ces dernières années, le recours de la médecine moderne à l’intelligence artificielle
ne cesse d’augmenter. L’avènement de cette technique a permis d’aboutir à des outils de
plus en plus efficaces qui appuient efficacement le diagnostic médical et la prise de
décision. Une des applications les plus émergentes est la détection fiable et automatisée des
pathologies. Cela a fait l’objet de recherches algorithmiques très actives dans ce que l’on
appelle la classification des données médicales.
Les études théoriques et pratiques ont démontré que la classification ensembliste émet des
résultats très prometteurs. Par ailleurs, la construction d’un ensemble de classifieurs
performants consiste à sélectionner individuellement les membres de l’ensemble en se
basant sur des critères prédéfinis. En outre, le choix des attributs précédant la classification
est d’une importance cruciale dans le déroulement du processus.
L’objectif de cette thèse est d’étudier et d’analyser le compromis entre le niveau de
précision individuelle de chaque classifieur et la diversité mutuelle entre chaque paire de
classifieurs hétérogènes. L’accent est porté également sur la sélection d’attributs et son
impact sur la performance du résultat de classification finale. Dans ce contexte, nous
proposons une nouvelle implémentation qui a pour objectif la détection de différentes
pathologies. La solution proposée est validée expérimentalement sur des bases de données
biomédicales réelles. Les résultats sont comparés à l’état de l’art et démontrent l’efficacité
de l’implémentation proposée.
Mots-clés: Apprentissage automatique, classification supervisée, sélection d’attributs,
diversité, ensemble de classifieurs, taux d’erreur.

Abstract
Over recent years, the use of artificial intelligence in modern medicine becomes
increasingly important. This new technology has allowed the development of reliable and
automated tools which significantly assists medical diagnosis and decision making.
Multiple fields, such as the detection of diseases, have been subject to very active
algorithmic researches on the topic of medical data classification.
Theoretical and empirical studies have demonstrated that ensemble of classifiers produces
accurate and very promising results. Otherwise, building a efficient set of classifiers
consists in selecting the individual members, based on predefined criteria. Moreover,
choosing attributes prior to the classification is of major importance in the performance of
the general process.
The work presented in this thesis aims to study and analyze the compromise between the
level of the individual accuracy of each classifier and themutual diversity between every
heterogenous classifier pair. We particularly focused on the selection of attributes and its
impact on the performance of the final classification result. In this context, we propose a
new approach which aims to improve the recognition of several diseases. The proposed
solution is validated over real biomedical data basis. The results are compared to the state
of the art, and demonstrate the efficiency of the proposed approach.
Key words: machine learning, supervised classification, attribute selection, diversity,
ensemble or set of classifiers, Q-statistic, classification error.

صخلم
 .