RÉSUMÉ.
La problématique de filtrage de données ou de sélection d'attributs pour la classification
représente un axe de recherche très actif dans le domaine du datamining (fouille de données)
et en optimisation. La nature combinatoire du problème impose le développement de techniques
spécifiques (utilisation de filtres, d’enveloppes etc.) ou hybrides combinant plusieurs
procédés d’optimisation. Dans ce contexte, l'approche basée sur l’algorithme
RFE-SVM (Recursive Feature Elimination with Support Vector Machine) s'est distinguée par
l'intégration du filtrage dans le processus d'apprentissage basé sur les machines à vecteurs
de supports ou SVM. Cependant, l’utilisation de l’algorithme RFE-SVM a montré
quelques limites comme le fait d’être complètement glouton, c'est-à-dire ne permettant
pas les retours en arrière. Dans cet article, nous avons proposé une approche de sélection
d’attributs pour pallier cette limite de l’algorithme RFE-SVM. Notre approche
consiste à combiner l'algorithme RFE-SVM avec des opérateurs de recherche locale, issus
des domaines de la recherche opérationnelle et de l'intelligence artificielle.
ABSTRACT.
The feature selection for classification is a very active research field in data mining
and optimization. Its combinatorial nature requires the development of specific techniques
(such as filters, wrappers, genetic algorithms, and so on) or hybrid approaches combining
several optimization methods. In this context, the support vector machine recursive feature
elimination (SVM-RFE), is distinguished as one of the most effective methods. However,
the RFE-SVM algorithm is a greedy method that only hopes to find the best possible
combination for classification. To overcome this limitation, we propose an alternative
approach with the aim to combine the RFE-SVM algorithm with local search operators based
on operational research and artificial intelligence.
MOTS-CLÉS :
Datamining, Classification, Apprentissage supervisé, Sélection d’attributs,
Machines à Vecteurs de Supports (SVM), Recursive Feature Elimination (RFE),
Recherche locale.
KEYWORDS:
Data mining, Classification, Supervised classification, Feature selection,
Support Vector Machines, Recursive Feature Elimination (RFE), Local search.
|