Sélection d'attributs pour arbres de décision flous monotones - Sorbonne Université
Conference Papers Year : 2023

Sélection d'attributs pour arbres de décision flous monotones

Abstract

En apprentissage automatique supervisé, il est important de rendre compte correctement des liens reliant les variables de description (ou attributs) des données à leur classe, par exemple pour la construction d'arbres de décision flous monotones. Dans cet article, en considérant que chaque attribut et la classe forment une partition floue finie et complètement ordonnée d'étiquettes, des versions floues des mesures de discrimination de rang de Shannon et de Gini, utilisant une définition de dominance floue, sont introduites pour permettre la sélection d'attributs liés de façon monotone à la classe. Avec ces mesures, un nouvel algorithme de construction d'arbres de décision flous, rendant compte d'un lien monotone entre les attributs et la classe, est proposé et expérimenté sur un jeu de données artificielles.
No file

Dates and versions

hal-04280760 , version 1 (11-11-2023)

Identifiers

  • HAL Id : hal-04280760 , version 1

Cite

Christophe Marsala, Davide Petturiti. Sélection d'attributs pour arbres de décision flous monotones. LFA 2023 - Rencontres francophones sur la Logique Floue et ses Applications, Sabine Fritella; Laurent Bobelin; Cyril de Runz, Nov 2023, Bourges, France. pp.117-124. ⟨hal-04280760⟩
66 View
0 Download

Share

More