Méthode d'auto-fuzzyfication par analyse des typicalités sur des lots de données réduits
Résumé
Cet article expose une méthode de fuzzyfication automatique pour un classificateur à base de règles linguistiques floues à partir de l'analyse des scores de typicalité des attributs. La méthode proposée est appliquée à la reconnaissance de couleur sur des avivés. L'utilisation d'un classificateur flou n'est pas aisée pour des non experts. Ainsi, l'industrialisation d'une telle méthode nécessite une simplification des phases de réglages. De plus, le cadre applicatif spécifique de cette étude ne permet d'avoir à disposition qu'une quantité de données très faible pour réaliser la phase d'apprentissage des différentes couleurs. Les scores de typicalité des attributs présentent l'avantage de discriminer les plages de valeurs associées à chaque classe de sortie. Une étude des corrélations des typicalités permet d'améliorer la fuzzyfication des paramètres. Les essais réalisés sur des lots de données « industrielles » montrent l'augmentation du taux de reconnaissance par rapport à ceux obtenus à partir d'une fuzzyfication équirépartie, ainsi qu'une diminution du nombre de règles floues générées dans le modèle. Les temps de traitements en généralisation sont ainsi réduits.