| Titre : | Machine à vecteurs de support pour les problèmes de classification multi-label |
| Auteurs : | Elhachemi Naceri, Auteur ; Abdelhamid Djeffal, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2017 |
| Format : | 1 vol. (41 p.) / 30 cm |
| Langues: | Français |
| Mots-clés: | Machines à vecteurs de supports (SVM),Multi-label,Apprentissage automatique. |
| Résumé : |
La classification multi-labels est un problème de classification différent de celui multi-classe (mono-label). Dans le premier, un exemple peut être affecté à plus d’une classe à la fois, tandis que dans le deuxième, un exemple ne peut appartenir qu’à une seule classe parmi plusieurs à la fois. Ce type de problèmes peut être confronté dans plusieurs situations de classification tel que la prédiction des avis des clients, l’annotation automatique des images, des vidéos, des sons ...etc. Dans ce travail, on souhaite étudier la méthode de classification des machines à vecteur support et son extension au problème multi-classes puis proposer une extension optimisée pour l’utilisation dans le cas multi-labels. |
| Sommaire : |
Introduction générale Chapitre I : La classification multi-label 2. Problème de classification ................................................................................................................... 5 3. Définition formelle du problème ...................................................................................................... 6 3.1. Définitions 4. Classification mono-label................................................................................................................. 7 5. Classification multi-label............................................................................................................ 8 5.1. Méthodes de classification multi-label .................................................................................................. 9 5.1.1. L'approche de transformation des données .................................................................. 9 5.1.2. L'approche d’adaptation des méthodes .......................................................................10 5.1.3. Ensembles de classifieurs .............................................................................................11 6. Évaluation des performances d’un classifieur ......................................................................................... 11 7. Conclusion Chapitre II : Les Machines à Vecteurs Support (SVM) 1. Introduction .................................................................................................................................. 2. SVM principe de fonctionnement général ................................................................................ 14 2.1. Notions de base ........................................................................................................................... 14 2.1.1. Hyperplan ....................................................................................................................14 2.1.2. Vecteurs de support (SV) .........................................................................................15 2.1.3. Marge ............................................................................................................................16 3. SVMs binaires .................................................................................................................................. 16 3.1. SVM à marge dure ...................................................................................................................... 17 3.2. SVM à marge souple .................................................................................................................. 18 3.3. Linéarité et non-linéarité ........................................................................................................ 19 3.3.1. Cas non linéaire ..........................................................................................................19 3.4. Utilisation des noyaux .............................................................................................................. 20 4. SVMs multi-classe .............................................................................................................................. 4.1. Une-contre-reste (1 vsR) ......................................................................................................... 21 4.2. Une-contre-une (1 vs 1) ........................................................................................................... 23 5. Conclusion............................................................................................................. Chapitre III : Conception et Réalisation 1. Introduction .................................................................................................................................. 2. Transformation du problème multi-label en problèmes mono-label ............................ 26 2.1. Méthode par décomposition .................................................................................................. 26 2.2. La méthode par concaténation ............................................................................................. 27 2.3. Pseudocode de la 1ere approche.......................................................................................... 28 2.4. Schéma global du système de classification multi-label (par décomposition) .. 29 2.5. Pseudocode de la 2ième approche .......................................................................................... 30 2.6. Schéma global du système de classification multi-label (par concaténation) .... 31 2.7. Description détaillée du système ......................................................................................... 32 2.7.1. La phase de transformation ........................................................................................... 32 2.7.2. Phase d’apprentissage ...................................................................................................... 34 2.7.3. Phase de test (utilisation) ............................................................................................... 34 3. Etude expérimentale ......................................................................................................................... 34 3.1. Logiciel Weka ............................................................................................................................... 3.2. Algorithme d’apprentissage SMO ........................................................................................ 37 3.3. Jeux de données utilisées ........................................................................................................ 37 3.4. Résultats et discussion ............................................................................................................. 38 Cas 1: Transformation par décomposition (séparation) ................................................ 38 Cas 2: transformation par concaténation ............................................................................. 39 3.5. Comparaison entre les deux méthodes .................................................................................. 39 4. Conclusion...................................................................................................41 Conclusion générale Références bibliographiques |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/267 | Mémoire master | bibliothèque sciences exactes | Consultable |
