Méthode Foret-Floue-T-norme

Descriptif de la méthode Foret-Floue-T-norme

Proposée par Christophe Marsala (LIP 6).

Pour chacune des 10 bases:

• le fichier d'apprentissage SHEP_i.data a été rééchantilloné: tous les EVENT (97 ou 96) ont été conservé et un nombre correspondant (97 ou 96) de NO_EVENT a été tiré aléatoirement pour générer donc un fichier d'apprentissage (shepi_j) contenant autant de EVENT que de NO_EVENT. Ceci a été fait 21 fois (donc shepi_j, avec j allant de 1 à 21). 21 fois car 97x21>1900 (nombre de NO_EVENT en apprentissage). J'aurais pu faire 100 fois. On a donc ici 21 bases d'apprentissage pour un seul SHEP_i.
• on construit un arbre flou (sans aucune optimisation de paramètre) par base d'appretissage: on récupère 21 arbres flous arbrei_j.
• chaque arbre arbrei_j est utilisé pour classer les exemples du fichier de test SHEP_i.test.
• pour chaque exemple de SHEP_i.test, on comptabilise le nombre de fois n où il a été bien classé (vote). Si n>10, on considère que l'exemple a été bien classé par la forêt.

Lors de la classification, j'ai utilisé la méthode dite t-norme : l'exemple est diffusé sur plusieurs branches, un degré d'appartenance est calculé pour chaque branche et les résultats pour la classification sont agrégés avec ici la t-norme de Zadeh.

Résultats de la méthode Foret-Floue-T-norme

Mesures calculées à partir de ce fichier de résultat.

Matrice de confusion

Mesures sur la matrice de confusion

Proximités avec les autres méthodes