Métaheuristiques pour le problème de sélection d'attributs
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 |
Examinateurs / Examinatrices : Gilles Goncalves, Laëtitia Jourdan, Patrick Siarry, Jean-Charles Créput, Daniel Jolly, Rémi Dupas | |
Rapporteurs / Rapporteuses : Patrick Siarry, Jean-Charles Créput |
Mots clés
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.