%0 Conference Proceedings
%T Classificateurs aléatoires topologiques à base de graphes de voisinages.
%+ Equipe de Recherche en Ingénierie des Connaissances (ERIC)
%A Rico, Fabien
%A Zighed, Djamel Abdelkader
%< avec comité de lecture
%Z ERIC:10-033
%( Extraction et gestion des connaissances (EGC'2011), Actes
%B Extraction et gestion des connaissances (EGC'2011)
%C Brest, France
%Y Ali Khenchaf et Pascal Poncelet
%I Hermann-Éditions
%3 RNTI
%V RNTI-E-20
%P 83-88
%8 2011-01-25
%D 2011
%Z Computer Science [cs]/Machine Learning [cs.LG]Conference papers
%X En apprentissage supervisé, les Méthodes Ensemble (ME) ont montré leurs qualités. L'une des méthodes de référence dans ce domaine est les Forêts Aléatoires (FA). Cette dernière repose sur des partitionnements de l'espace de représentation selon des frontières parallèles aux axes ou obliques. Les conséquences de cette façon de partitionner l'espace de représentation peuvent affecter la qualité de chaque prédicteur. Il nous a semblé que cette approche pouvait être améliorée si on se libérait de cette contrainte de manière à mieux coller à la structure topologique de l'ensemble d'apprentissage. Dans cet article, nous proposons une nouvelle ME basée sur des graphes de voisinage dont les performances, sur nos premières expérimentations, sont aussi bonnes que celles des FA.
%G French
%L hal-00625686
%U https://hal.science/hal-00625686
%~ UNIV-LYON2
%~ ERIC
%~ UDL