Résumé | Dans cet article, nous présentons une nouvelle méthode d'apprentissage des paramètres de la méthode de classification multicritère PROAFTN, à partir des données. Il existe de nombreuses représentations et techniques de fouille de données, par exemple les arbres de décision, les bases de règles, les réseaux neuronaux artificiels, l'estimation de la densité, la régression et le grappage. La méthode PROAFTN constitue une autre approche de la fouille des données. Elle appartient à la classe des algorithmes d'apprentissage supervisé et elle attribue un degré d'appartenance aux diverses classes. La méthode PROAFTN requiert la découverte de ses paramètres aux fins de la classification. Par conséquent, il nous faut disposer d'une méthode automatique pour nous aider à établir ces paramètres à partir des données, tout en minimisant les erreurs de classification. Nous proposons ici une métaheuristique de recherche par voisinage variable permettant d'obtenir ces paramètres. Nous avons évalué les performances de la méthode que nous proposons au moyen de la technique de 10 validation croisée. Nous comparons les résultats avec ceux qui ont été obtenus par d'autres méthodes de classification appliquées aux mêmes données. Il semble que la méthode proposée permette d'obtenir des solutions d'une qualité substantiellement meilleure que celle des méthodes antérieures. |
---|