Discussion :

[abidineb]

Bonjour a tous

Il existe une méthode appelée: fusion des données, si qql peut juste m'aider a comprendre le principe d'une façon générale bien sur.
Parce que si on avait 2 classificateurs, s'ils donnent la même sortie
y aura pas de problèmes, mais dans le cas des sorties différentes, comment peut on fusionner les 2 classificateurs??
Alors??? Merci.

Je vais être plus precis, si une sortie d'un classificateur s=0 et l'autre s=1, on prend quelle sortie???? si on avait trois classificateurs et donc trois sorties, le probleme ne se pose pas. Donc comment peut-on fusionner 2 classificateurs, est ce que au moment de la classification, ou plutôt laisser les 2 classificateurs terminer leurs boulot, après on classifie|?????

Merci

Cordialement

[PRomu@ld]

Je pense que ton problème n'a pas de solution générale. Elle dépend totalement de l'application concernée.

C'est le but final à atteindre qui va te donner quand et comment classifier à partir de tes deux classifieurs. Il faut que tu détailles un peu plus ton approche sinon je pense que peu de personnes vont pouvoir te donner une réponse utile.

[Aleph69]

Bonjour,

il existe beaucoup de manières de fusionner deux classificateurs. S'ils renvoient des scores, on peut par exemple prendre celui donnant le score le plus élevé. S'ils renvoient des étiquettes, on peut par exemple choisir celui qui se trompe le moins dans un voisinage de l'individu à classer.

Ce ne sont bien sûr que des exemples et je rejoins totalement PRomu@ld sur le fait que la démarche choisie doit dépendre de l'application concernée.

[abidineb]

Bonjour,

Je vous remercie d'abord pour votre réponse clairvoyante.
Mes classificateurs renvoient des étiquettes. Mais on ne peut juger la classe, puisque on a aucune information sur l'ensemble Test.
''...choisir celui qui se trompe le moins dans un voisinage de l'individu à classer ...'' confus...?

L'application est une simple classification avec 2 type de discrimination des données.

Cordialement

[abidineb]

Bonjour

J'ai essayé d'expliquer d'une façon brève mon probleme?
dans le message ci-dessus.
Merci pour votre reponse

Cordialement

[abidineb]

Bonjour

J'ai essayé d'expliquer d'une façon brève mon probleme?
dans le message ci-dessus.
Merci pour votre réponse

Cordialement

[Aleph69]

Bonsoir,

je ne vois pas bien ce qui est confus mais je vais essayer d'être plus clair. Si x est un exemple de l'échantillon test, on peut très bien définir un voisinage de x contenant les exemples qui lui sont le plus similaires dans l'échantillon d'apprentissage. Il peut s'agir des k exemples les plus similaires, pour un entier k>0 donné en entrée. Il peut s'agir d'une boule ouverte ou fermée si on est en présence d'un espace métrique, etc.

Ensuite, comment évaluer les performances d'un classifieur dans ce voisinage? La première solution, biaisée, consiste à utiliser l'échantillon d'apprentissage, c'est-à-dire à évaluer les performances du classifieur pour les exemples d'apprentissage appartenant au voisinage de x. La seconde solution, classique, consiste à faire la même chose mais en utilisant un échantillon de validation qui bien sûr doit être différent des échantillons d'apprentissage et de test.

[abidineb]

Bonsoir,

Merci pour votre idée très efficace. Mais dans mon cas, l'un de mes classificateurs est le k-PPV, donc comment je peut l'utiliser pour juger mes sorties.

Merci.

Cordialement

[Aleph69]

Bonsoir,

comme avec n'importe quel autre classificateur, ça ne change rien!

[abidineb]

Bonsoir,

Mais de cette façon, j’exécuterai 3 classificateurs, mes 2 classificateurs + 1 pour juger????

Cordialement

[Aleph69]

Bonsoir,

explique-moi étape par étape ce que tu comptes faire. Il y a quelque chose que tu n'as pas compris dans ma réponse mais je ne vois pas ce que c'est.

[abidineb]

Bonsoir,

Après avoir obtenu un vecteur d’étiquettes, un pour le premier classificateur,
et l'autre pour le second classificateur (dans mon cas k-PPV).
Je veut fusionner mes 2 vecteurs d’étiquettes afin d'augmenter la precision. Votre idée c'est de juger par rapport au voisinage (k-PPV), mais il est déjà utilisé????.

Cordialement

[Aleph69]

Bonsoir,

soit x l'exemple en cours. On note c1 et c2 les deux classificateurs obtenus à partir des exemples de la base d'apprentissage. Soit V(x) un voisinage de x. On note e1 l'erreur de classement de c1 dans V(x) et c2 l'erreur de classement dans V(x). Le meilleur classificateur pour x est c1 si e1<e2, c2 sinon.

C'est la méthodologie générale que je t'ai proposée. Ensuite, à toi de choisir comment définir le voisinage de x et comment estimer les erreurs e1 et e2. Choisis celle que tu préfères.

Une remarque au passage : la règle des plus proches voisins permet d'avoir des scores/probabilités en sortie plutôt que des étiquettes. Ta fusion est alors obtenue en faisant un simple vote majoritaire.

Je pense que tu devrais commencer par étudier sérieusement les bases de l'apprentissage statistique, par exemple en lisant le Duda :
http://fr.wikipedia.org/wiki/R%C3%A9...(DudaHartStork)