Combinaison de classificationsupervisée et non-   supervisée par la théorie des fonctions de croyance                     ...
PLAN     Problématique     Fusion de classifeurs     Théorie de fonction de croyance     ApprocheProposée     Résulta...
Problématique (1/2)     Multitude des méthodes: laquelle choisir ?     Incertitude liée aux données manipulées : données...
Problématique (2/2)       Exploiter la complémentarité des deuxapproches       Réduction des problèmes liés au choix des...
Fusion (1/1)Combinaison des informations issues des sources imparfaites afindaméliorer la prise de décision en tenant com...
Théorie des fonctions                     de croyance (1/2)Principe : La théorie manipule des fonctions définies sur des ...
Théorie des fonctions                        de croyance (2/2)     Croyance en A      Masse totale d’information impliqu...
Approche Proposée (1/3)                                                                 Base d’apprentissage              ...
Approche Proposée (2/3)Source 1                                                              Source 2              Classif...
Approche Proposée (3/3)Il faut modéliser nos croyances aux classes dégagées par le supervisé?               Classification...
Fonctionnement      calcul des fonctions de masses des deux côtés non-supervisé    et supervisé         Calcul des masses...
Calcul des fonctions de masses           du côté non-supervisé (1/2)                                                      ...
Calcul des fonctions de masses           du côté non-supervisé (2/2)Avec qj la classe affectée par le classifieur supervis...
Résultats expérimentaux (1/4)             Données            Taux de bonne       Taux de bonne                            ...
Résultats expérimentaux (2/4)             Données           Taux de bonne     Taux de bonne                               ...
Résultats expérimentaux (3/4)             Données              Taux de bonne     Taux de bonne                            ...
Résultats expérimentaux (4/4)             Données               Taux de bonne     Taux de bonne                           ...
Conclusion et Perspectives   •Conclusions   Cette approche originale fondée sur la théorie des fonctions de croyance   pe...
Prochain SlideShare
Chargement dans…5
×

Presentation egc2012v2final

428 vues

Publié le

présentation EGC2012 Bordeaux France

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
428
Sur SlideShare
0
Issues des intégrations
0
Intégrations
2
Actions
Partages
0
Téléchargements
8
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Presentation egc2012v2final

  1. 1. Combinaison de classificationsupervisée et non- supervisée par la théorie des fonctions de croyance FatmaKarem(1) MounirDhibi(1) Unité de Recherche PMI 09/UR/13-0, Campus Universitaire Zarouk Gafsa 2112, Tunisie ArnaudMartin(2) Université de Rennes 1, UMR 6074 IRISA, Rue Edouard Branly BP 30219, 22302 Lannion Cedex, France Combinaison du supervisé et non17/05/2012 1 supervisé
  2. 2. PLAN  Problématique  Fusion de classifeurs  Théorie de fonction de croyance  ApprocheProposée  Résultats  Conclusion et Perspectives Combinaison du supervisé et non17/05/2012 2 supervisé
  3. 3. Problématique (1/2) Multitude des méthodes: laquelle choisir ? Incertitude liée aux données manipulées : données fausses parfois, données manquantes Quelle méthode choisir en fonction des Comment choisir données les paramètres des Manipulées ??? méthodes choisies ??? Solution possible : combinaison entre le non supervisé et le supervisé Combinaison du supervisé et non 17/05/2012 3 supervisé
  4. 4. Problématique (2/2) Exploiter la complémentarité des deuxapproches Réduction des problèmes liés au choix des paramètres surtout pour le clustering Réduction des problèmes liés à lapprentissage Comment fusionner ???  Approche:  Tenant compte de laspect dincertitude et dimprécision liés à notre problématique  Traitant le conflit entre les deux types de méthodes Combinaison du supervisé et non17/05/2012 4 supervisé
  5. 5. Fusion (1/1)Combinaison des informations issues des sources imparfaites afindaméliorer la prise de décision en tenant compte des imprécisions etincertitudeCombinaison des informations issues des sources imparfaitespourapparaître des conflits Comment traiter ces imperfections ?? Suppression  Tolérance  Modélisation Solution la plus adéquate : modélisation Théories de lincertain Exemples : théorie des probabilités (approche bayésienne), théorie despossibilités, théorie des fonctions de croyance(Dempster-Shafer) Combinaison du supervisé et non 17/05/2012 5 supervisé
  6. 6. Théorie des fonctions de croyance (1/2)Principe : La théorie manipule des fonctions définies sur des sous-ensembles (non dessingletons comme en théorie des probabilités) à valeurs dans [0,1] ModélisationCadre de discernement : Ө = {θi, i=1,…,n} où θisont les classes/ hypothèses exclusives etexhaustivesLes fonctions de croyance sont définies sur 2Өoù Ө représente l’ignorance et l’ouverture aumonde hors Ө.Avec A un élement focal si m(A)>0 Combinaison du supervisé et non17/05/2012 6 supervisé
  7. 7. Théorie des fonctions de croyance (2/2)  Croyance en A Masse totale d’information impliquant l’occurrence de A  Plausibilité de A Masse totale d’information consistante avec A  En général : Combinaison du supervisé et non17/05/2012 7 supervisé
  8. 8. Approche Proposée (1/3) Base d’apprentissage Clustering Classification supervisée Comment trouver un Consensus entre les deux Prise de décision Combinaison du supervisé et non17/05/2012 8 supervisé
  9. 9. Approche Proposée (2/3)Source 1 Source 2 Classification Classification non-supervisée supervisée clusters classes mNS mS Combinaison Prise de Dégager à quelle décision classe appartient chaque objet Décision finale Combinaison du supervisé et non17/05/2012 9 supervisé
  10. 10. Approche Proposée (3/3)Il faut modéliser nos croyances aux classes dégagées par le supervisé? Classification non- Classification Etape 1 supervisé supervisé Modèle probabiliste Calcul de similarité d’Appriou entre clusters et classes par recouvrement Combinaison par Etape 2 conjonction Prise de décision Etape 3 Adoption du critère de probabilité pignistique Combinaison du supervisé et non17/05/2012 10 supervisé
  11. 11. Fonctionnement calcul des fonctions de masses des deux côtés non-supervisé et supervisé Calcul des masses pour du Clustering côté non-supervisé Classification C1 C2 C2 C1 C3 C4 C6 C3 C5 C4 Calcul de recouvrement Combinaison du supervisé et non17/05/2012 11 supervisé
  12. 12. Calcul des fonctions de masses du côté non-supervisé (1/2) Calcul de recouvrement C1 C2 C3 C4 C6 Avec Q={ ,i=1,…..M} : ensemble des classes trouvés par le supervisé Et C={ ,i=1,…..n} : ensemble des clusters trouvés par le non-supervisé Combinaison du supervisé et non17/05/2012 12 supervisé
  13. 13. Calcul des fonctions de masses du côté non-supervisé (2/2)Avec qj la classe affectée par le classifieur supervisé au point xqila classe réelle,le coefficient de fiabilité de la classification supervisée pourla classeqi Combinaison du supervisé et non17/05/2012 13 supervisé
  14. 14. Résultats expérimentaux (1/4) Données Taux de bonne Taux de bonne classification classification avant fusion après fusion iris 97,33 100 Abalone 53,67 76,35 Breast-cancer 64,52 80 Haberman 75,17 100 Résultats obtenus pour K- PPV+FCM Combinaison du supervisé et non17/05/2012 14 supervisé
  15. 15. Résultats expérimentaux (2/4) Données Taux de bonne Taux de bonne classification classification avant fusion après fusion iris 96 100 Abalone 52 79,80 Breast-cancer 96 100 Haberman 73,83 77,74 Résultats obtenus pour Bayes+FCM Combinaison du supervisé et non17/05/2012 15 supervisé
  16. 16. Résultats expérimentaux (3/4) Données Taux de bonne Taux de bonne classification classification avant fusion après fusion iris 97,33 100 Abalone 53,10 78,69 Breast-cancer 64,52 80 Haberman 75,17 99,34 Résultats obtenus pour KPPV+Modèle de mélange Combinaison du supervisé et non17/05/2012 16 supervisé
  17. 17. Résultats expérimentaux (4/4) Données Taux de bonne Taux de bonne classification classification avant fusion après fusion Iris 96 100 Abalone 52 82,45 Breast-cancer 96 100 Haberman 73,83 77,74 Résultats obtenus pour Bayes + Modèle de mélange Combinaison du supervisé et non17/05/2012 17 supervisé
  18. 18. Conclusion et Perspectives •Conclusions Cette approche originale fondée sur la théorie des fonctions de croyance permet de lever certaines ambiguïtés et de gérer les conflits  L’approche proposée a montré des résultats encourageants sur des données génériques • Perspectives  Elargissement de la base de données  Données manquantes Données mal-étiquettées Images réelles: images sonar, images médicales  Amélioration du mécanisme de fusion Combinaison du supervisé et non17/05/2012 18 supervisé

×