Construction d'un classificateur associatif compétitif

Résumé

Avec l'énorme succès de l'apprentissage profond, les autres paradigmes d'apprentissage automatique ont dû passer au second plan. Pourtant, d'autres modèles, notamment ceux basés sur des règles, sont plus lisibles et explicables et peuvent même être compétitifs lorsque les données étiquetées ne sont pas abondantes. Cependant, la plupart des classifieurs à base de règles existants souffrent de la production d'un grand nombre de règles de classification, ce qui affecte la lisibilité du modèle. Cela nuit à la précision de la classification, car les règles bruitées peuvent ne pas apporter d'informations utiles à la classification, ce qui allonge également le temps de classification. Dans cette étude, nous proposons SigD2 qui utilise une nouvelle stratégie d'élagage en deux étapes qui élimine la plupart des règles bruyantes, redondantes et inintéressantes et rend le modèle de classification plus précis et plus lisible. Pour rendre SigDirect plus compétitif par rapport aux classificateurs basés sur l'apprentissage automatique les plus répandus mais ininterprétables, comme les réseaux neuronaux et les machines à vecteurs de support, nous proposons la mise en sac et le boosting sur l'ensemble du classificateur SigDirect. Les résultats des algorithmes proposés sont assez prometteurs et nous sommes capables d'obtenir un ensemble minimal de règles statistiquement significatives pour la classification sans compromettre la précision de la classification. Nous utilisons 15 jeux de données UCI et comparons notre approche avec huit systèmes existants. Le modèle d'ensemble SigD2 et SigDirect boosté (ACboost) surpasse les différents classificateurs de l'état de l'art non seulement en termes de précision de classification mais aussi en termes de nombre de règles.