Étude comparative des méthodes ensemblistes de classification des données médicales

Table des matières

Introduction générale
CHAPITRE I : Etude des méthodes ensemblistes
I.1. Introduction
I.2. Les travaux dans le domaine
I.2.1 Taxonomies des méthodes de combinaison
I.2.2 L’apprentissage automatique
I.2.2.1 Principe de la classification
I.2.2.2 Principe de la classification binaire
I.2.2.3 principe de la classification multi-class
I.2.2.4 Classification binaire vs Multi-class
I.3. Présentation des méthodes ensemblistes
I.3.1 Définition du Classifieur
I.3.2 Les sorties d’un classifieur
I.3.3 Mesures de performances d’un classifieur
I.4 L’intérêt de la combinaison des classifieurs
I.4.1 Définition de combinaison
I.4.2 Les types de combinaison des classifieurs
I.5 Amélioration de la précision
I.5.1 Le compromis entre le biais et la variance
I.6 La manière de combiner les classifieurs
I.6.1 Solution
I.7 Optimisation d’ensembles de classifieurs
I.8 Méthodes ensemblistes
I.8.1 Les types
I.8.1.1 Ensemble de classifieurs homogènes
I.8.1.2 Ensemble de classifieurs hétérogènes
I.9 Conclusion
CHAPITRE II : Principe des méthodes utilisées
II.1 Introduction
II.2 Approche ensembliste médicale
II.3 Ensemble de classifieurs homogènes
II.3.1 Bagging
II.3.2 Boosting
II.3.3 Les forêts aléatoires
II.3.3.1 Les arbres de décision
II.3.3.2 Principe des forêts aléatoires
II.4 La différence entre les trois classifieurs
II.4.1 Étude comparative entre Bagging et Boosting
II.4.2 Avantages et inconvénients
II.5 Ensemble de classifieurs hétérogènes
II.5.1 Vote majoritaire
II.5.2 Vote pondéré
II.5.3 Majorité pondérée
II.6 Conclusion
CHAPITRE III : Expérimentations et Résultats
III.1Introduction
III.2 Bases de données
III.2.1 Colon
III.2.2 breast cancer-wisconsin
III.2.3 Pendigits
III.2.4 Heart
III.2.5 Hepatite
III.3 Matériels et méthodes
III.4 Mesures de performance
III.5 Expérimentation 1
III.5.1. Les résultats de bagging au niveau des bases de données
III.5.1.2 Interprétation des résultats concernant le bagging
III.5.2 Les résultats de boosting « AdaBoostM1 » au niveau des bases de données
III.5.2.1 Interprétation des résultats concernant le boosting « AdaBoostM1 »
III.5.3 Les résultats de random forest au niveau des bases de données
III. 5.3.1 Interprétation des résultats
III.6. Comparaison des résultats
III.6.1. Interprétation général des résultats
III.7. L’exécution des trois méthodes d’ensembles sur les 5 bases de données dans le même temps
III.7.1 L’expérimentation 02
III.8. Interprétation des résultats
III.9 Conclusion
Conclusion générale