JTC 2024 - SMARTER Retour sur les indicateurs de santé .pdf
1Flou.ppt
1. Maria Rifqi-Berger
1
Présentation du cours
Théorie
Bases de la théorie des sous-ensembles flous
Pratique
Utiliser la théorie (exercices)
Applications FisPro
2. Maria Rifqi-Berger
2
Bibliographie
« La logique floue », B. Bouchon-Meunier, Que-
sais-je? PUF, N° 2702.
« Logique floue – exercices corrigés et exemples
d'applications », B. Bouchon-Meunier, L. Foulloy
et M. Ramdani, Cépaduès éd., 1998.
« La logique floue et ses applications », B.
Bouchon-Meunier, Addison Wesley éd., 1995
« Fuzzy sets, uncertainty and information », G.
Klir and T. Folger, Prentice Hall ed., 1988.
3. Maria Rifqi-Berger
3
Plan du cours
Introduction
Présentation du cours
Définitions de base
Sous-ensemble flou (sef)
Caractéristiques de sef
Opérations sur les sefs
Quelques applications commerciales de la
logique floue
4. Maria Rifqi-Berger
4
Introduction
L'imprécision du monde réel
Le flou est partout
Le flou est humain
Le flou est plus souple
Théorie des sous-ensembles flous
« mesurer une gradation dans l'appartenance à un
ensemble »
Une théorie mathématique formelle pour la prise en
compte de l'imprécision et des incertitudes
Article fondateur: « Fuzzy Sets », L. A. Zadeh, in
Information and Control, 1965.
5. Maria Rifqi-Berger
5
Gestion des imprécisions -
Approche conventionnelle
Dissoudre le flou puis traiter des
données précises
informations floues informations précises
part importante d'arbitraire
analyse de la sensibilité indispensable
plusieurs jeux de données traités un par
un
comparaison des résultats
6. Maria Rifqi-Berger
6
Gestion des imprécisions -
Approche floue
Traiter des données floues puis
dissoudre le flou
Garder le flou comme une information
Reporter la dissolution du flou le plus tard
possible et sur la décision uniquement
Accroissement de la fiabilité et de la
stabilité du système
7. Maria Rifqi-Berger
7
Gestion des imprécisions
Théorie des ensembles flous introduite par Lotfi
Zadeh en 1965.
Modèle mathématique pour représenter
l'imprécision et l'incertitude.
Idée des ensembles flous facile à comprendre :
Freine dans 32m50
ou
Freine bientôt
La précision n'est pas toujours utile.
Capable d'interpréter des informations
imprécises et d'agir.
8. Maria Rifqi-Berger
8
Ensembles classiques / Ensembles
flous
ensemble classique = ensemble des objets satisfaisant
des propriétés précises
Exemple : ensemble des nombres compris entre 6 et 8
fonction caractéristique : m : R {0, 1}
m(x) = 1 si 6 x 8
0 sinon.
ensemble flou = ensemble des objets satisfaisant des
propriétés imprécises
Exemple : ensemble des nombres proches de 7
fonction d'appartenance : : X [0, 1]
(x) pas unique.
différence majeure : unicité fonction caractéristique /
infinité fonction d'appartenance
9. Maria Rifqi-Berger
9
Théorie des sous-ensembles flous
X ensemble de référence
A sous-ensemble flou de X défini par une fonction
d'appartenance
X [0, 1]
Caractéristiques
Noyau : éléments appartenant de façon absolue
Noy(A) = {x X / (x) = 1}
Support : éléments appartenant au moins un peu
Supp(A) = {x X / (x) 0}
10. Maria Rifqi-Berger
10
Infinité de fonctions d'appartenance possibles
flexibilité, ajustement maximal pour une situation
donnée
Ensemble flou = toujours et seulement des fonctions
Toute fonction X [0, 1] est un ensemble flou dans
le sens mathématique. D'un point de vue sémantique,
il faut qu'une telle fonction soit interprétable à l'aide de
propriétés imprécises décrivant les éléments de X.
Théorie des sous-ensembles flous
11. Maria Rifqi-Berger
11
Probabilité / Flou
ensembles flous = déguisement pour les
statistiques ?
NON
A B
p(B) = 0.9
Quelle bouteille boirez-vous ?
12. Maria Rifqi-Berger
12
A contient par exemple de l'eau vaseuse, pas de l'acide
chlorydrique.
A est proche d'un liquide tout à fait potable.
Sur 100 bouteilles B, 90 sont potables, 10 sont
dégoûtantes voire fatales.
Il vaut mieux boire de l'eau vaseuse que de prendre le
risque de mourir.
2 philosophies différentes
Probabilité / Flou
13. Maria Rifqi-Berger
13
La théorie des sous-ensembles flous
Une extension de la théorie des ensembles classiques
Une théorie plus générale qui englobe la théorie des
ensembles classiques
La theorie des ensembles classiques et un cas particulier
Des choix sont à faire pour conserver certaines des propriétés
existantes dans la théorie des ensembles classiques
Toutes les propriétés ne peuvent pas être conservées en même
temps
La logique floue: application de la théorie des sous-
ensembles flous pour la modélisation du raisonnement
Extension de la logique classique
La commande floue: utilisation de la logique floue pour le
contrôle de systèmes automatiques
Cas particulier de la logique floue
14. Maria Rifqi-Berger
14
1
0
Jeune
X
15 20 30 35
Exemples de sous-ensembles flous
X={moto,auto,train} (moyens de transport)
A: sous-ensemble de X des moyens de transport rapides
A= 0.7 / moto + 0,5 / auto + 1.0 / train
X=[0, 130] (ensemble des âges)
A: sous-ensemble de X des âges jeunes
15. Maria Rifqi-Berger
15
Caractéristiques d'un sef
Soit X un univers, et A un sous-ensemble flou de
fonction d'appartenance fA.
Noyau de A :
Noy(A) = {x X | fA(x)=1}
Support de A :
Supp(A) = {x X | fA(x)>0}
Hauteur de A :
h(A) = supx X fA(x)
Cardinalité de A:
|A| = x X fA(x)
16. Maria Rifqi-Berger
16
Opérations sur les sefs (1)
Extension des opérations de la théorie des
ensembles classiques: =, , , , complément
Soient A et B deux sefs de X, de f.d'a. fA et fB.
Égalité de sefs:
A = B ssi x X, fA (x) = fB(x)
Inclusion de sefs:
A B ssi x X, fA (x) < fB(x)
Intersection de sefs: A B:
x X, fA∩ B (x) = min(fA (x), fB(x))
Union de sefs: A B:
x X, fA B (x) = max(fA (x), fB(x))
17. Maria Rifqi-Berger
17
Opérations sur les sefs (2)
Certaines propriétés de la théorie des
ensembles classiques sont vérifiées (à faire en
exercice):
A U∅ = A, A ∩ ∅ = ∅, A U X = X, A ∩ X = A
Associativité de ∩ et de U :
(A U B) U C = A U(B U C)
Commutativité de ∩ et de U :
A∩B = B∩A
Distributivité de ∩ par rapport à U :
A∩(B U C) = (A∩B) U(A∩C)
A U(B∩C) = (A U B)∩(A U C)
18. Maria Rifqi-Berger
18
Opérations sur les sefs (3)
Complément Ac d'un sous-ensemble flou
x X, fAc (x) = 1 – fA(x)
Certaines propriétés de la théorie des ensembles
classiques sont vérifiées (à faire en exercice):
(Ac)c = A
(A∩B)c = Ac U Bc
(A U B)c = Ac ∩ Bc
D'autres propriétés ne le sont pas (généralement):
Ac ∩A ≠∅ (contradiction)
Ac U A ≠ X (tiers exclu).
19. Maria Rifqi-Berger
19
Opérations sur les sefs (4)
Autres extensions des opérations de la théorie
des ensembles classiques: ∩ et U
Ces opérations sont en fait des fonctions
mathématiques F:[0,1]×[0,1] [0,1] telle que
x, y, F(x,y) [0,1].
L'intersection peut être réalisée en prenant
comme opérateur une t-norme (opérateur ET)
L'union peut être réalisée en prenant comme
opérateur une t-conorme (opérateur OU)
20. Maria Rifqi-Berger
20
Justification des choix des opérateurs
Les opérateurs min et max sont les seuls
opérateurs qui soient commutatifs, associatifs,
mutuellement distributifs, continus et doublement
non décroissants
D'autres opérateurs sont possibles :
conjonction normes triangulaires (t-normes)
disjonction conormes triangulaires (t-conormes)
Propriétés communes : associativité,
commutativité, monotonie, élément neutre.
Opérations sur les sefs (5)
21. Maria Rifqi-Berger
21
Normes triangulaires (t-normes)
Soit une fonction ⊤:[0,1]×[0,1] [0,1] telle que
x, y, z [0,1]:
⊤(x,y) = ⊤(y,x) (commutativité)
⊤(x, ⊤(y,z)) = ⊤( ⊤(x,y),z) (associativité)
⊤(x,y) ⊤(z,t) si x z et y t (monotonie)
⊤(x,1) = x (1 est élément neutre)
Exemples de telles fonctions :
min(x,y), x⋅y, max(x+y-1,0)
⊤ est une t-norme
Utilisée pour l'intersection ou la conjonction
22. Maria Rifqi-Berger
22
Normes triangulaires (t-conormes)
Soit une fonction :[0,1]×[0,1] [0,1] telle que
x, y, z [0,1]:
(x,y) = (y,x) (commutativité)
(x, (y,z)) = ((x,y), z) (associativité)
(x,y) (z,t) si x z et y t (monotonie)
(x,0) = x (0 est élément neutre)
Exemples de telle fonction:
max(x,y), x+y-x⋅y, min(x+y,1)
est une t-conorme
Utilisée pour l'union
23. Maria Rifqi-Berger
23
Dualité t-norme / t-conorme
Le choix d'une t-norme et celui d'une t-conorme est lié
Etant donné un opérateur de complémentation
par exemple: fc = 1-f
Déf.: Une t-norme et une t-conorme sont duales si et
seulement si :
1 – ⊤(x,y) = (1-x, 1-y)
1 – (x,y) = ⊤(1-x, 1-y)
En terme de sous-ensembles, la dualité permet de
conserver les lois de De Morgan
Ainsi, par exemple, le min et le max sont duaux :
on a : 1 – min(x,y) = max(1-x, 1-y) ainsi que 1 – max(x,y) =
min(1-x, 1-y)
On montre que (à faire en exercice)
les opérateurs probabilistes sont duaux
les opérateurs de Lukasiewicz sont duaux
24. Maria Rifqi-Berger
24
Exemples
X={moto,auto,train} (moyens de transport)
Transport rapide: A= 0.7 / moto + 0,5 / auto + 1.0 /
train
Transport familial: B= 0.1 / moto + 1.0 / auto + 0.6 /
train
X=[0, 130] (ensemble des âges)
1
0
Jeune
X
15 20 30 35 70
55
Salarié
25. Maria Rifqi-Berger
25
Une -coupe (alpha-coupe) d'un sef A est un
sous-ensemble classique A extrait du sef A,
défini en fonction d'un seuil [0,1] fixé :
soit [0,1], x X, x A si et seulement si
fA(x)
A est un sous-ensemble classique de X. (fA
prend ses valeurs dans {0,1}).
On vérifie que (à faire en exercice):
Si > ' alors A A' et si B A alors B A
(A ∩ B) = A ∩ B , et (A B) = A B
x X, fA(x) = sup]0,1] f(x) (i.e. on peut
reconstruire A à partir de ses -coupes).
Caractéristiques d'un sef (2): -coupes
26. Maria Rifqi-Berger
26
Relations entre sous-ensembles
flous
Relation: notion fondamentale des
mathématiques classiques
Basée sur le produit cartésien d'ensembles
Les relations établissent des liens entre
éléments
soit d'un même ensemble
soit d'ensembles différents
Elles permettent de construire des applications
une application est une relation particulière
27. Maria Rifqi-Berger
27
Produit cartésien de sefs
Cas où l'on désire combiner l'information venant
de plusieurs ensembles de référence
Soit X1 et X2, deux univers de référence et X leur
produit cartésien (classique), X=X1×X2, dont les
éléments sont les couples (x1,x2), x1X1 et x2X2
Déf.: Soient A1 et A2 respectivement définis sur
X1 et X2, on définit le produit cartésien A=A1×A2
comme un sef de X, de fonction d'appartenance:
x X, x=(x1,x2), fA(x)=min( fA1(x1), fA2(x2) )
29. Maria Rifqi-Berger
29
Exemple d'application du produit
cartésien
X1={moto,auto,train} (moyens de transport)
Transport rapide: A1= 0.7 / moto + 0,5 / auto +
1.0 / train
X2={pasCher, cher} (prix)
Prix souhaité: A2= 0.7 / pasCher + 0.4 / cher
Donnez la fonction d'appartenance du
produit cartésien (transport rapide, prix
souhaité)
30. Maria Rifqi-Berger
30
Relations floues
Une relation floue R entre 2 ensembles de références X
et Y, est un sous-ensemble flou de XxY de fonction
d'appartenance fR
Si X et Y sont finis, R peut être représentée par la matrice M(R)
des valeurs de sa fonction d'appartenance
Exemple: la relation « est préféré à » sur XxX avec X={Train,
Voiture, Moto, Avion}
La composition de 2 relations floues R1 sur XxY et R2
sur YxZ définit une relation floue R=R1˚ R2 sur XxZ de
f.a. définie par:
(x,z) XxZ, fR(x,z)= sup y Y min(fR1(x,y), fR2(y,z))
31. Maria Rifqi-Berger
31
Transitivité : propriété très utilisée pour des
relations
si A ressemble à B, et que B ressemble à C, alors
est-ce que A ressemble à C ?
si x < y et que y < z alors x < z
Une relation floue R sur X est dite transitive si
elle vérifie RR R.
En particulier, si on utilise la composition max-
min, on dira que la relation floue R est max-min
transitive si:
(x,z) XxZ, fR(x,z) sup y Y min(fR(x,y),
fR(y,z))
Relation floue transitive
35. Maria Rifqi-Berger
35
Principe d'extension (2)
Idée: possédant une fonction sur un univers
classique X, permettre son utilisation avec des
sefs de X.
Définition: Étant donné un sef A de X, et une
application de X vers Y, le principe d'extension
permet de définir un sef B de Y associé à A par :
yY, fB(y)= sup{x X | y= (x)}fA(x) si -1(y)≠∅
0 sinon
Le sef B est l'image du sef A par la fonction .
36. Maria Rifqi-Berger
36
Exemple d'application du principe
d'extension (1)
X={camion, caravane, voiture, moto} (moyens de
transport)
Y={Rapide, Lente, Normale} (mesures des vitesses)
On définit la fonction qui associe une vitesse à un
moyen de transport :
(camion)=L, (caravane)=L, (voiture)=N, (moto)=R
Nouveau véhicule: side-car= 0.5|moto + 0.4|voiture +
0.1|caravane
Mesure de la vitesse d'un side-car?
fB(L)= max(fsc(camion),fsc(caravane))=max(0, 0.1)= 0.1
fB(N)= fsc(voiture)= 0.4
fB(R)= fsc(moto)= 0.5
37. Maria Rifqi-Berger
37
Exemples d'application du principe
d'extension (2)
Fonction mathématique classique: (x)= x2
A un sef de [0,1] de f. a. fA, le sef B de [0,1[ de f.a.
fB qui correspond à la A2.
y Y, fB(y)= sup{x X | y=x2} fA(x) si -1(y)≠∅
0 sinon
Mesure de surprise: (p)= -log(p)
A un sef de [0,1] de f. a. fA, le sef B de [0,1[ de f.a.
fB qui correspond à la valeur floue de surprise
causée par A.
38. Maria Rifqi-Berger
38
Raisonnement flou
Variables linguistiques et propositions floues
Variables linguistiques
Proposition floue générale
Implication floue
Raisonnement Flou
Modus ponens classique
Modus ponens généralisé
Application du Modus ponens généralisé
39. Maria Rifqi-Berger
39
Variable linguistique
Une variable linguistique est représentée par un triplet
(V, XV, TV)
V : nom de la variable (age, taille, température, longueur,...)
XV : univers des valeurs prises par V (ℝ,...)
TV = {A1, A2, ...} : ensemble de sous-ensembles flous de XV,
utilisés pour caractériser V.
Par exemple: (Age-Personne, [0,130], {Très-jeune,
Jeune, Agé})
1
0
Age
Très-jeune Jeune Agé
40. Maria Rifqi-Berger
40
Proposition floue
Proposition floue élémentaire : qualification « V
est A » d'une variable linguistique (V, XV, TV)
Par exemple: « Age-personne est jeune »
Proposition floue générale : composition de
propositions floues élémentaires de variables
linguistiques qui peuvent être distinctes
Soit « V est A » p.f.e. de (V, XV, TV), et « W est B »
p.f.e. de (W, XW, TW),
Exemples de proposition floue générale :
« V est A et W est B »
« V est A ou W est B »
41. Maria Rifqi-Berger
41
Proposition classique : valeur de vérité {0, 1} (FAUX ou
VRAI)
Proposition floue : la valeur de vérité est un sous-ensemble
flou à valeurs dans [0,1]
Valeur de vérité pA de « V est A » : fA fonction
d'appartenance de A
Négation: « V n'est pas A » : pAc= fAc = 1-fA
Valeur de vérité p d'une proposition floue générale :
agrégation des valeurs de vérité pA et pB de chaque
proposition floue élémentaire
Le type d'agrégation dépend de la composition réalisée (et, ou,...)
Conjonction « V est A et W est B » : pAB= min(pA, pB)
Disjonction « V est A ou W est B » : pAB= max(pA, pB)
Valeur de vérité d’une proposition
floue
42. Maria Rifqi-Berger
42
Règle de production : lien particulier (implication) entre 2
propositions floues
« V est A W est B » est lue « si V est A alors W est B »
« V est A » est la prémisse
« W est B » est la conclusion
Par exemple: « si Age-personne est Jeune alors Salaire est Bas »
Valeur de vérité de l'implication « V est A W est B » :
évaluée par une fonction implicative fI : X x Y [0,1]
x X, y Y, fI(x, y) = (fA(x), fB(y))
est une fonction [0,1]x[0,1] [0,1] qui est équivalente à
l'implication classique quand les propositions sont classiques.
Implication floue
45. Maria Rifqi-Berger
45
Mode de raisonnement classique
Modus ponens de la logique classique
Règle: Prémisse Conclusion
Observation: Prémisse-observée
Déduction: Conclusion
Modus ponens : règle de déduction pour inférer
de la connaissance
Règle: H est humain H est mortel
Observation: Socrate est humain
Déduction: Socrate est mortel
46. Maria Rifqi-Berger
46
Modus ponens généralisé : extension du MP aux
propositions floues
Soient (V, XV, TV) et (W, XW, TW) deux variables
linguistiques
Règle floue: V est A W est B
fA fB
Observation floue: V est A'
fA'
Déduction: W est B'
fB'
fA, fB, et fA' sont connus, on recherche la valeur de fB'(y),
y Y
Mode de raisonnement flou
47. Maria Rifqi-Berger
47
Règle floue « V est A W est B »
Implication x X, y Y, fI(x,y)= (fA(x), fB(y))
Le MPG combine la règle floue avec l'observation « V est
A' » pour construire la conclusion B'
Opérateur de modus ponens généralisé : fonction T de
[0,1]x[0,1] dans [0,1] pour combiner fI et fA'
T est une t-norme
T est liée à fI pour que le MPG soit compatible avec le modus
ponens classique.
On a, pour tout y Y :
fB' = supx X T(fI(x,y), fA'(x))
Modus ponens généralisé
50. Maria Rifqi-Berger
50
Exemples d'opérateurs de MPG
Zadeh : u,v [0,1], T(u,v) = min(u,v)
Utilisé avec les implications de Mamdani,
Larsen,...
Lukasiewicz : u,v [0,1], T(u,v) =
max(u+v-1,0)
Utilisé avec les implications de Lukasiewicz,
Reichenbach, Mamdani, Larsen,...
51. Maria Rifqi-Berger
51
Applications du modus ponens
généralisé
Commande floue : ensemble de règles floues + entrée
numérique + sortie numérique
Contrôle flou de processus
Phase de défuzzification nécessaire
Systèmes experts flous : ensemble de règles floues +
entrée floue + sortie floue
Raisonnement flou, inférence de connaissances
Pas de défuzzification
Raisonnement par analogie : ensemble de règles floues +
entrée floue + sortie floue
B' est à B ce que A' est à A
ressemblance (A,A') doit être la même que ressemblance(B,B')
52. Maria Rifqi-Berger
52
Imprécisions et incertitudes
Théorie des sous-ensembles flous
Modélisation des connaissances imprécises (« environ 20 ans »)
ou vague (« jeune »)
traitement dans un même cadre des connaissances numériques
et des connaissances symboliques
Ne permet pas de manipuler dans un même formalisme
imprécisions et incertitudes
ce qui est très généralement lié: « je suis sûr que nous sommes en
fin d'après-midi » mais « je ne suis pas certain qu'il soit exactement
17h30 »
De plus, un raisonnement basé sur des connaissances
imprécises engendre souvent des incertitudes
« Mon train est à 9h32, si je pars de chez moi vers 9h quelle est la
certitude que je puisse l'avoir? »
53. Maria Rifqi-Berger
53
Théorie des possibilités
Introduite en 1978 par L. A. Zadeh (puis popularisée par
Dubois et Prade), en liaison avec la théorie des sous-
ensembles flous :
But: raisonner sur des connaissances imprécises ou vague, en
introduisant un moyen de prendre en compte des incertitudes
sur les connaissances.
Incertitudes non-probabilistes sur des événements :
impossibilité d'évaluer correctement leur probabilité de
réalisation.
« Serais-je en salle 506 lundi 24 Novembre à 14h ? »
Probabilité: ici, peu réaliste à évaluer
« Il est relativement possible que je sois dans cette salle, et c'est
même assez certain. »
54. Maria Rifqi-Berger
54
Soit un ensemble de référence fini X
On souhaite attribuer à chaque sous-ensemble de X (on
parle alors d'événements) un coefficient compris entre 0
et 1 évaluant à quel point cet événement est possible.
Pour définir ce coefficient, on introduit une mesure de
possibilité définie sur P(X), l'ensemble des parties de
X, à valeur dans [0,1], telle que:
(∅)=0, et (X)=1
(A,B) P(X)2, (A∪B) = max((A), (B))
Un événement est tout à fait possible si la mesure de sa possibilité
est égale à 1.
Mesure de possibilité
55. Maria Rifqi-Berger
55
Mesure de possibilité : propriétés
Une mesure de possibilité vérifie:
(A,B) P(X)2, (A∩B) ≤ min((A), (B))
En particulier, l'occurrence simultanée de 2
événements possibles peut être impossible
Monotonie relativement à l'inclusion des parties
de X
Si A B alors (A) ≤ (B)
A P(X), max((A), (Ac)) = 1
A P(X), (A) + (Ac) ≥ 1
56. Maria Rifqi-Berger
56
Mesure de nécessité
Une mesure de possibilité fournit une information sur
l'occurrence d'un événement mais elle ne suffit pas pour
décrire l'incertitude existante sur cet événement
(A) = 1 et (Ac)=1 peuvent être vérifiés en même temps:
indétermination complète sur la réalisation de A.
On attribue à chaque événement un coefficient évaluant
à quel point la réalisation de cet événement est
certaine.
Pour définir ce coefficient, on introduit une mesure de
nécessité N définie sur P(X), à valeur dans [0,1], telle que :
N(∅)=0, et N(X)=1
∀(A,B)∈ P(X)2, N(A∩B) = min(N(A), N(B))
57. Maria Rifqi-Berger
57
Mesure de nécessité : propriétés
Une mesure de nécessité vérifie:
(A,B) P(X)2, N(AB) ≥ max(N(A), N(B))
Monotonie relativement à l'inclusion des
parties de X
Si A B alors N(A) ≤ N(B)
A P(X), min(N(A), N(Ac)) = 0
A P(X), N(A) + N(Ac) ≤ 1
58. Maria Rifqi-Berger
58
Relations possibilité / nécessité
Une mesure de nécessité N peut être obtenue à
partir d'une mesure de possibilité par :
A P(X), N(A) = 1 - (Ac)
Plus un événement A est affecté d'une grande
nécessité, moins son complémentaire Ac est
possible.
On a de plus:
A P(X), (A) ≥ N(A)
A P(X), max((A), 1-N(A))=1
59. Maria Rifqi-Berger
59
Distribution de possibilité
Une mesure de possibilité est totalement définie
si on attribue un coefficient de possibilité à toute
partie de X.
si on indique un coefficient seulement aux parties
élémentaires de X, une partie quelconque étant
l'union de parties élémentaires.
Une distribution de possibilité est une fonction
définie sur X, à valeur dans [0,1], telle que :
supxX (x) = 1
A partir d 'une distribution de possibilité , on
construit une mesure de possibilité :
A P(X), (A) = supxA (x)
60. Maria Rifqi-Berger
60
Possibilité et nécessité ont été introduites pour quantifier la certitude
sur un événement, elles s'appliquent à des sous-ensembles
ordinaires de X
Pour des sous-ensembles flous de X, on peut indiquer dans quelle
mesure ils sont possibles et/ou certains, à partir d'une connaissance
préalable donnée sur X.
Ainsi, étant donnée une référence, i.e. un s.e.f. A de X, un autre s.e.f.
B de X sera d'autant plus acceptable qu'il sera compatible avec A.
On évalue alors la possibilité de B relative à A par :
(B; A)= supxX min (fB(x), fA(x))
(B; A) mesure le degré maximal avec lequel un élément x de X
peut appartenir à la fois à A et à B.
Possibilité de sous-ensemble flou
61. Maria Rifqi-Berger
61
Nécessité de sous-ensemble flou
Étant donnée une référence, i.e. un s.e.f. A de X,
un autre s.e.f. B de X sera d'autant plus
acceptable qu'il sera compatible avec A.
On évalue alors la nécessité de B relative à A
par :
(B; A)= 1- (Bc; A)= infxX max (fB(x), 1-fA(x))
N(B; A) mesure le degré avec lequel B est inclus
dans A.
62. Maria Rifqi-Berger
62
Exemple
On représente le concept de « vitesse rapide » par un s.e.f. Sur l'espace
des vitesses.
Une moto roule à env. 100km/h.
Questions:
Avec qu'elle certitude peut on dire que la moto roule avec une vitesse rapide?
Avec quel degré env. 100km/h signifie-t-il « vitesse rapide »?
90 100 110
1
0
km/h
Rapide
~100 km/h
63. Maria Rifqi-Berger
63
Exemple : possibilité et nécessité
(env.100; Rapide)= supxX min (fenv.100(x), fRapide(x)) = 0,6
(env.100; Rapide)= infx X max (fenv.100(x), 1-fRapide(x))= 0
1 Rapide
~100 km/h
90 100 110
1
0
km/h
Rapide
~100 km/h
90 100 110
0
km/h
0,6
64. Maria Rifqi-Berger
64
Apprentissage non supervisé
Étant donné un ensemble d'exemples (des
points dans un plan, ...)
On ne connaît pas de classe à associer
aux exemples
Il faut découvrir des classes, faire des
regroupements d'éléments similaires
Clustering = construction de paquets
65. Maria Rifqi-Berger
65
Méthodes de C-moyennes
Une des plus anciennes méthodes de clustering
existantes (1967). Algorithme des C-means.
Partition d'une population
Affectation sans équivoque ( ou ) de chaque exemple
à une classe
L'algorithme:
1. Sélection de c points (au hasard) : centroïdes.
2. Affectation de chaque exemple au centroïde le plus proche
(distance). Constitution de clusters.
3. Calcul de nouveaux centroïdes: on prend la moyenne,
composante par composante, pour tous les exemples d'un cluster.
4. Retour à l'étape 2 jusqu'à stabilisation des frontières entre les
clusters.
68. Maria Rifqi-Berger
68
Méthodes des C-moyennes:
Inconvénients
Problèmes de prise en compte des variables
non-numériques (nécessité de posséder une
mesure de distance)
Traduction en valeurs numériques
Construction de matrices de distances
Problème du choix du nombre de centroïdes c
Problème du choix de la normalisation dans le
calcul de la distance (même poids pour chaque
composante)
Pondération, normalisation, agrégation
69. Maria Rifqi-Berger
69
Méthode des C-moyennes floues
Généralisation de l'algorithme des C-moyennes
Partition floue des données
Fonctions d'appartenance aux clusters
Problématique : trouver une pseudo-partition
floue et les centres des clusters associés qui
représente le mieux la structure des exemples.
Utilisation d'un critère permettant de mesurer les
associations fortes à l'intérieur d'un cluster, faibles à
l'extérieur
Index de performance
70. Maria Rifqi-Berger
70
Rappels
Pseudo-partition floue
Ensemble de sous-ensembles flous non vides {A1,
A2,..,An} de X tel que:
xX,
C-partition floue
Une c-partition floue (c>0) de X est une famille P ={A1,
A2,..,Ac} de c sous-ensembles flous tels que :
1
)
(
1
x
A
n
i
i
c
k
k
i
c
c
i
k
i n
x
A
i
x
A
X
x
1
1
)
(
0
,
et
1
)
(
,
71. Maria Rifqi-Berger
71
C-moyennes floues
Soit X={x1, x2, ..., xn} un ensemble de données où chaque xk peut être
un vecteur: xk=(xk1, xk2,...,xkp)
Étant donné une c-partition floue P= {A1, A2,..,Ac}, les c centres v1,
v2,..., vc associés à chaque cluster flou sont calculés par :
Avec mℝ, m > 1, influence des degrés d'appartenance.
vi: centre du cluster flou Ai
Moyenne pondérée des données de Ai
Le poids d'une donnée xk est la puissance mième
de son degré
d'appartenance à Ai.
n
i
m
k
i
k
n
i
m
k
i
i
c
x
A
x
x
A
v
i
1
1
)
(
)
(
,
72. Maria Rifqi-Berger
72
Soit la c-partition floue P= {A1, A2,..,Ac}, son indice
de performance est défini par:
Avec ||.||: norme sur ℝp qui permet de mesurer la
distance entre xk et vi
Plus Jm(P) est faible, meilleure est P
Index de performance d'une
partition floue
2
1 1
)
(
)
( i
k
n
k
c
i
m
k
i
m v
x
x
A
P
J
73. Maria Rifqi-Berger
73
Algorithme de Bezdek (1981)
Algorithme d'optimisation d'une partition
floue: algorithme des c-moyennes floues
(Fuzzy c-means).
Hypothèses:
C connu,
On possède une distance (mesure),
Un réel m ]1,+∞[ est donné,
Un nombre positif ℇ petit est donné (critère d'arrêt).
74. Maria Rifqi-Berger
74
Algorithme de Bezdek
Etape 1: Soit t=0, sélectionner une partition floue initiale P(0)
.
Etape 2: Calculer les c centres v1
(t)
, v2
(t)
,...,vc
(t)
pour P(t)
grâce à (1)
Etape 3: Mise à jour de P(t)
pour construire P(t+1)
: xk X,
Si alors
si pour quelque iI ℕc , alors on définit
pour iI par tout nombre réel >0 tel que:
et on définit pour tout iℕc-I
Etape 4: Comparer P(t)
et P(t+1)
Si |P(t) - P(t+1)| ≤ ℇ alors on s'arrête, sinon on incrémente t et on retourne à l'étape 2.
On a :
(distance entre les partitions)
c
t
i
k i
v
x
,
0
)
(
c
j
n
t
j
k
t
i
k
k
t
i
v
x
v
x
x
A
1
1
1
1
2
)
(
2
)
(
)
1
(
)
(
0
)
(
t
i
k v
x )
(
)
1
(
k
t
i x
A
0
)
(
)
1
(
k
t
i x
A
I
i
k
t
i x
A 1
)
(
)
1
(
)
(
)
(
max
)
(
)
1
(
,
)
1
(
)
(
k
t
i
k
t
i
k
i
t
t
x
A
x
A
P
P
c
c
77. Maria Rifqi-Berger
77
Arithmétique floue - Intervalles et
nombres flous
Un sef F est convexe si
(x, y)RxR, z [x,y], fF(z)min(fF(x), fF(y))
Propriété équivalente au fait que toute –coupe de F est une partie convexe
de R.
Quantité floue : sef normalisé de R.
Intervalle flou : quantité floue convexe
Nombre flou : intervalle flou de fonction d’appartenance semi-continue
supérieurement et de support compact.
a b
m
1
R
0
78. Maria Rifqi-Berger
78
Arithmétique floue – Intervalles flous
de type L-R (1)
Quantité floue I dont la fonction d’appartenance
dépend de 4 paramètres (m,m’,a,b) et de 2
fonctions L er R telles que :
L(0)=R(0)=1
L(1)=0 ou L(x)>0 x avec limx L(x)=0
R(1)=0 ou R(x)>0 x avec limx R(x)=0
I=(m,m’,a,b)LR
'
si
'
'
si
1
si
)
(
m
x
b
m
x
R
m
x
m
m
x
a
x
m
L
x
fI
79. Maria Rifqi-Berger
79
Arithmétique floue – Intervalles flous
de type L-R (2)
Cas particulier : nombre flou I=(m,a,b) LR
avec m=m’.
Fonctions L et R particulières :
L(x)=R(x)=max(0,1-x) pour des intervalles
flous trapézoïdaux ou des nombres flous
triangulaires.
80. Maria Rifqi-Berger
80
Arithmétique floue – Opérations sur les
L-R
I=(m,m’,a,b)LR J=(n,n’,c,d)LR alors :
-I=(-m’,-m,b,a)RL
I J = (m+n, m’+n’, a+c, b+d)LR
I J = (m-n’, m’-n, a+d, b+c)LR si L=R