Les avantages de la discrétisation floue dans l'apprentissage de règles - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2004

Les avantages de la discrétisation floue dans l'apprentissage de règles

Résumé

Le traitement des données numériques est un problème difficile pour les techniques d'apprentissage basées sur la logique. La solution la plus communément employée est la discrétisation. Cependant, du fait de la transition abrupte entre les classes définies lors de la discrétisation, les degrés de support et de confiance peuvent manquer de robustesse et de représentativité par rapport aux données (en particulier quand la règle a beaucoup d'exemples dont les valeurs sont à la limite des ensembles utilisés pour la discrétisation). Cet article décrit une étude formelle de la sensibilité des degrés de confiance et de support des règles par rapport à de petites variations des limites des ensembles utilisés pour la discrétisation, ou des valeurs des données numériques. Les ensembles flous étant connus pour permettre une transition graduelle entre les classes, les contreparties floues de ces mesures sont introduites et leurs propriétés mathématiques sont établies. La comparaison de l'efficacité des différentes techniques est faite sur différentes bases de données de référence de manière à établir clairement l'intérêt de l'induction de règles floues.

Mots clés

Fichier non déposé

Dates et versions

hal-03369711 , version 1 (07-10-2021)

Identifiants

  • HAL Id : hal-03369711 , version 1

Citer

Mathieu Serrurier, Henri Prade. Les avantages de la discrétisation floue dans l'apprentissage de règles. Conférence sur l'Apprentissage Automatique (CAP 2004), LIRMM: Laboratoire d'informatique, de robotique et de microélectronique de Montpellier, Jun 2004, Montpellier, France. ⟨hal-03369711⟩
9 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More