Implémentation et Génération d’un Ensemble Bagging dans la Plateforme Weka

Abstract

L'inférence de classifieurs à partir d'exemples est un champ de recherche ancien et toujours actif dans la communauté apprentissage automatique, les méthodes à base d'arbres ou de graphes d'induction sont des méthodes symboliques dédiées à la construction de fonctions de classement, elles présentent un très grand intérêt à cause des résultats obtenus par leur application dans différents domaines. Leur point fort par rapport à toute autre méthode de classification est leur intelligibilité ; elles produisent des fonctions de classement qui font sens d'elles mêmes. Ces méthodes sont très sollicitées dans des domaines très sensibles qui demandent de la précision et un temps de réponse minimale, mais dans plusieurs cas elles ne permettent pas de répondre à ce dernier objectif à cause de la taille très importante des arbres ou des graphes générés. Notre contribution dans ce travail de fin d'études consiste à l'implémentation et l’intégration d’un composant qui permet de générer un ensemble homogène d’arbres de décision C4.5 dans la plateforme Weka. La génération de l’ensemble consiste à générer un échantillon de façon aléatoire par tirage avec remise d’individus de l’échantillon de départ. Comme perspective à ce travail, nous proposons d'appliquer les méthodes d’élagage d’ensembles qui permet de réduire la taille des ensembles générés en sélectionnant un sous ensemble occupant moins d’espace et gardant ou améliorant les performances de l’ensemble initial composé de tous les modèles.