Métaheuristiques pour le problème de sélection d'attributs

Metaheuristics for the feature selection problem : adaptive, memetic and swarm approaches

• Auteur / Autrice : Mohamed Amir Esseghir
• Direction : Gilles Goncalves
• Type : Thèse de doctorat
• Discipline(s) : Génie Informatique et Automatique
• Date : Soutenance le 29/11/2011
• Etablissement(s) : Artois
• Ecole(s) doctorale(s) : ED Sciences pour l'ingénieur (n°72)
• Jury : Président / Présidente : Laëtitia Jourdan
• Jury : Examinateurs / Examinatrices : Gilles Goncalves, Laëtitia Jourdan, Patrick Siarry, Jean-Charles Créput, Daniel Jolly, Rémi Dupas
• Jury : Rapporteurs / Rapporteuses : Patrick Siarry, Jean-Charles Créput

Mots clés

Mots clés contrôlés

Programmation heuristique

Algorithmes génétiques

Mots clés libres

Sélection d'attributs

Métaheuristiques

Classification

Optimisation combinatoire

Algorithmes génétiques

GRASP

PSO

Recherche locale

Feature selection

Metaheuristics

Classification

Combinatorial optimization

Genetic algorithms

GRASP

PSO

Local search

Résumé

Afin d’améliorer la qualité de prédiction des techniques de classification automatique et de fouilles de données, plusieurs modèles ont été proposés dans la littérature en vue d’extraire des connaissances à partir des données. Toutefois, avec l’expansion des systèmes d’information et des technologies associées, ces techniques d’apprentissage s’avèrent de moins en moins adaptées aux nouvelles tailles et dimensions des données. On s’intéresse dans cette étude aux problèmes de grande dimensionnalité et à l’amélioration du processus d’apprentissage des méthodes de classification à travers les techniques de filtrage et de sélection d’attributs. Le problème « d’identification d’attributs pertinents » (Feature Selection Problem), tel qu’il est défini dans la littérature, relève d’une nature combinatoire. Dans le cadre de cette thèse, on s’est intéressé au développement de nouvelles techniques d’optimisation approchées et spécifiques au problème traité ainsi qu’à l’amélioration d’algorithmes existants. La conception, l’implémentation et l’étude empirique ont montré l’efficacité et la pertinence des métaheuristiques proposées.

Although the expansion of storage technologies, networking systems, and information system methodologies, the capabilities of conventional data processing techniques remain limited. The need to knowledge extraction, compact representation and data analysis are highly motivated by data expansion. Nevertheless, learning from data might be a complex task, particularly when it includes noisy, redundant and information-less attributes. Feature Selection (FS) tries to select the most relevant attributes from raw data, and hence guides the construction of final classification models or decision support systems. Selected features should be representative of the underlying data and provide effective usefulness to the targeted learning paradigm (i.e. classification). In this thesis, we investigate different optimization paradigms as well as its adaptation to the requirements of the feature selection challenges, namely the problem combinatorial nature. Both theoritical and empirical aspects were studied, and confirm the effectiveness of the adopted methodology as well as the proposed metaheuristic based approaches.