Calibration évidentielle conjointe de classifieurs SVM binaires fondée sur la régression logistique

Pauline Minary (1) , Frédéric Pichon (1) , David Mercier (1) , Éric Lefèvre (1) , Benjamin Droit (2)

1 LGI2A - Laboratoire de Génie Informatique et d'Automatique de l'Artois
2 SNCF Réseau [La Plaine st Denis]

Dans le cadre de la combinaison de classifieurs, une étape de calibration, fondée sur la régression logistique, est généralement utilisée pour transformer indépendamment chaque sortie de classifieur en distribution de probabilité pour ensuite les combiner. Afin de mieux gérer les incertitudes cette calibration a récemment été redéfinie dans le cadre des fonctions de croyance. Dans cet article, nous proposons de calibrer conjointement les classifieurs en utilisant la régression logistique multiple, et d'étendre cette approche au cadre des fonctions de croyance. Notre approche évidentielle est testée sur des données simulées et réelles avec des classifieurs SVM binaires, et présente plusieurs avantages par rapport à sa version probabiliste et par rapport à l'approche évidentielle calibrant indépendamment chaque classifieur.

Mots clés: information fusion; multiple logistic regression; Belief functions

Mots clés: Fonctions de croyance; fusion d'informations; calibration; régression logistique multiple

Domaines: Intelligence artificielle [cs.AI]

Pauline Minary, Frédéric Pichon, David Mercier, Éric Lefèvre, Benjamin Droit. Calibration évidentielle conjointe de classifieurs SVM binaires fondée sur la régression logistique. 26e Rencontres Francophones sur la Logique Floue et ses Applications, LFA 2017, Oct 2017, Amiens, France. ⟨hal-03521909⟩