Towards local classifier generation for dynamic selection

Résumé

Les systèmes de classificateurs multiples sont axés sur la combinaison des classificateurs, pour obtenir de meilleures performances, par rapport aux performances d’un seul classificateur robuste. Ces systèmes se déroulent en trois phases principales: la génération de bassins de classificateurs, la sélection statique ou dynamique de ces derniers et la phase d’intégration. La sélection dynamique est un sujet de recherche très en vogue au sein de la communauté d’apprentissage machine. Elle se caractérise par la sélection des classificateurs les plus compétents, pour chaque échantillon de test. La sélection dynamique fonctionne en se dotant d’un bassin (pool) de classificateurs, l’estimation du niveau de compétence des classificateurs est généralement faite à partir de la construction du voisinage de l’échantillon à classer pour la plupart des techniques, et cette région locale est appelée région de compétence. Une region de compétence composée d’instances appartenant à différentes classes est appelée : region d’indécision et contribue souvent aux difficultés rencontrées par les méthodes de selection dynamiques de toujours repérer les classificateurs compétents. D’autre part, la sélection dynamique repose sur les méthodes de générations des bassins de classificateurs qui sont conçues pour les approches de combinaison statique. En d’autres termes, ces dernières adoptent une approche globale pour générer les classificateurs, ce qui n’est pas aligné avec l’aspect local qui définit le schéma de la sélection dynamique. De ce fait, dans ce travail, nous nous concentrons sur la couverture locale des régions d’indécision, par des classificateurs compétents localement pour la sélection dynamique. Nous proposons un système qui exploite l’information locale, dans la création des classificateurs traversant les regions d’indécision en séparant entre les échantillons appartenant aux différentes classes. Nous proposons aussi cinq nouvelles stratégies de sélection locale, pour la construction de bassins de classificateurs adaptés à la sélection dynamique. En généralisation, nous nous fions aux recommandations proposées lors de notre précédent travail, qui portait sur les raisons derrière le surpassement en terme de performances des méthodes de sélection dynamiques en comparaison de l’algorithme des K-plus proches voisins, sachant que ce dernier est exploité dans la définition de la région de compétence, dans la plupart des méthodes de sélection dynamiques. Les expériences ont montré que la sélection dynamique est efficace pour les échantillons situés dans des régions d’indécision, selon une mesure de difficulté de classification d’un échantillon donné, alors que l’algorithme des K-plus proches voisins serait plus adapté pour les échantillons ayant un faible degré de difficulté. Ceci justifie l’utilisation la mesure de difficultés des instances pour déterminer si l’on utilise un algorithme de K-Plus proches voisins ou la selection dynamique pour la classification. Les expériences ont été menées en utilisant plusieurs méthodes de sélection dynamique sur les cinq stratégies proposées de création de bassins de classificateurs. Les résultats de cette recherche ont montré que la focalisation sur une approche locale pour générer des classificateurs pour la sélection dynamique est une voie prometteuse pour garantir l’existence de classificateurs compétents sur le plan local, car elle fournit des résultats meilleurs à ceux de la littérature et dans le cas contraire, elle présente une équivalence statistique. Cependant, il y a encore place à l’amélioration pour de telles approches qui nous mèneraient à la generation locale de classificateurs adaptés à la sélection dynamique.

Date	3 déc. 2018
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Robert Sabourin (Directeur(-trice)) & George D.C. Cavalcanti (Codirecteur(-trice))