Visualisation 3D de paramètres d'apprentissage et de distances
Abstract
Nous présentons dans cet article un outil de visualisation 3D, basé sur des méthodes usuelles de construction de sous-espaces de représentation (ACP, MDS). L'originalité de notre approche repose sur l'utilisation de ce type de représentation dans le but de déterminer une métrique appropriée dans un cadre d'apprentissage supervisé: nous montrons en effet que l'organisation induite par une mesure de distance (ou de similarité) est une information très riche, comparée par exemple au taux de bonne classification obtenue avec cette métrique. Cet outil est donc indépendant du type d'objets considérés puisqu'il repose uniquement sur la donnée d'une mesure de distance ou d'une information de même nature. Nous illustrons l'intérêt de cette approche avec deux expérimentations, l'une basée sur des distances entre images, l'autre sur des distances entre molécules décrites en logique du premier ordre.