• Thèse soutenue le :
  • 2010-02-01
  • Salle des Thèses UFR des Sciences Lens

lundi 01 février 2010 - 10h - Salle des Thèses UFR des Sciences Lens

Résumé

Cette thèse traite deux problèmes importants dans les domaine de l’apprentissage automatique et du raisonnement dans l’incertain : comment évaluer une relation de similarité entre deux informations incertaines et comment assurer la classification à partir de données incertaines. Notre première principale contribution est de proposer une approche, appelée arbre de décision possibiliste, qui permet de construire des arbres de décision à partir de données d’apprentissage caractérisées par des classes incertaines où l’incertitude est modélisée avec la théorie des possibilités quantitative. Nous avons développé trois approches d’arbres de décision possibilistes. La première approche, appelée arbre de décision possibiliste basée sur la non- spécificité, utilise le concept de non-spécificité relatif à la théorie des possibilités dans la définition de sa mesure de sélection d’attributs. Cette approche maintient les distributions de possibilité durant toutes les étapes de la procédure de construction et ce particulièrement, au moment de l’évaluation de la quantité d’information apportée par chaque attribut. En revanche, la deuxième et la troisième approches, appelées arbre de décision possibiliste basé sur la similarité et arbre de décision possibiliste basé sur le clustering, éliminent automatiquement les distributions de possibilité dans leurs mesures de sélection d’attributs. Cette stratégie a permis d’étendre le ratio de gain et, par conséquent, d’étendre l’algorithme C4.5 pour qu’il puisse traiter des données libellées par des classes possibilistes. Ces deux dernières approches sont principalement basées sur le concept de similarité entre les distributions de possibilité qui constitue la deuxième principale contribution de cette thèse. En effet, un challenge important était de fournir une analyse des mesures de similarité possibiliste conduite par les propriétés qu’elles doivent satisfaire. Après avoir montré le rôle important de la notion d’incohérence dans l’évaluation de la similarité en théorie des possibilités, une nouvelle mesure, appelée affinité de l’information a été proposée. Cette mesure satisfait plusieurs propriétés que nous avons établies.

Mots clés : classification sous incertitude, arbre de décision, théorie des possibilités, similarité

Composition du jury

Rapporteurs

  • Weiru LIU, Professeur des universités, Queen’s University Belfast, Ireland
  • Henri PRADE, Directeur de recherches CNRS, Université Paul Sabatier, France

Examinateurs

  • Sylvie GALICHET, Professeur des universités, Polytech’Savoie, France
  • Pierre MARQUIS, Professeur des universités, Université d’Artois, France

Directeurs de thèse

  • Salem BENFERHAT, Professeur des universités, Université d’Artois, France
  • Zied ELOUEDI, Maître de Conférences-HDR, ISG-Université de Tunis, Tunisie