Une approche embedded pour la sélection de variables en mode semi-supervisé
Résumé
Depuis la prolifération des bases de données partiellement étiquetées, la sélection de variables a connu un développement important dans le mode semi-supervisé. Nous proposons dans ce papier d’aborder cette problématique avec un modèle métrique à base de pondération de variables. Ce modèle est basé sur la classification semi-supervisée pour sélectionner les variables les plus pertinentes. Des expérimentations seront présentées sur plusieurs bases de données de très grande dimension pour valider l’approche proposée.