Apprentissage Artificiel et fouille de données

Arbres de décision

Arbres de décision. ? Exemple: ? Classification de la Exemple: Arbre de décision ... Exemple : Est-ce que les conditions sont favorables pour.

Apprentissage Artificiel et fouille de données - Arbres de décision

Arbres de décision : exemple. Décider si un patient est malade ou bien portant selon sa température et s'il a la gorge irritée. Arbre de décision :.

Apprentissage Artificiel et fouille de données - Arbres de décision

Classification : exemple. Jamal Atif Université Paris Dauphine (Université Paris-Dauphine). ISI-3. 2015-2016. 4 / 73. Page 5. Arbres de décision. Plan. 1

Arbres de décision

Arbres de décision. ? Exemple: ? Classification de la Exemple: Arbre de décision ... Exemple : Est-ce que les conditions sont favorables pour.

Apprentissage à partir dexemples

9 avr. 2015 – Les arbres de décision sont robustes aux erreurs de classification et aux erreurs dans les valeurs des attributs. – Bien sûr il ne faut pas ...

Point 6 de lordre du jour CX/FH 22/52/6 Octobre 2021

6 oct. 2021 différents exemples d'outils/arbres. Deux répondants pensent que l'arbre de décision n'est pas nécessaire car il.

Apprentissage automatique Intérêts des arbres de décision Plan

Exemple d'arbre de décision lSi tous les exemples d'un nœud fils sont homogènes affecter leur classe au nœud

Arbres de Décision

Après avoir détaillé les points clés de la construction d'un arbre de décision à partir d'un petit exemple nous présentons la méthode CHAID qui permet de

Analyser les résultats de coproscopies : lexemple des arbres de

de coproscopies : l'exemple Les arbres de décision proposés par Pierre Autef sont pré- ... exemple) une analyse coprologique négative ne signifie.

Apprentissage réseaux de neurones et modèles graphiques

Arbres de décision : motivation définition

arbres de décision 38 Exemple Le processus continue jusqu’à ce qu’aucune amélioration ne soit observée sur TE : 0 5 0 6 0 7 0 8 0 9 1 0 Taille de l’arbre TE Arrêter l’élagage de l’arbre Désavantages: Si D est petit diviser en TR et TE réduira encore plus le nombre d’exemples pour apprendre

Les arbres de décision (decision trees) - Paris Descartes

LINF2275 Arbre de Décision 4 => règles de classifications sous forme d'arbres dont chaque extrémité (encore appelée "feuille") indique l'appartenance à une classe Ex: arbre sur variables mixtes (X catégorielle Y et Z numériques) => La classification est réalisée en posant une suite de questions relatives à

Arbres de Décision - Inria

Après avoir détaillé les points clés de la construction d’un arbre de décision à partir d’un petit exemple nous présentons la méthode CHAID qui permet de répondre de manière cohérente à ces spécifications Nous la mettons alors en œuvre en utilisant un logiciel gratuit téléchargeable sur Internet

Comment construire un arbre de décision ?

Dans ce didacticiel, nous présentons les principes de construction des arbres de décision dans les problèmes de discrimination et classement : on veut expliquer et prédire la valeur (la classe, la modalité, l’étiquette) prise par une variable à prédire catégorielle, dite attribut classe ; à partir d’une série de variables, dites variables ...

Quels sont les composants essentiels d'un arbre de décision ?

Les éléments suivants sont les composants essentiels que vous trouverez dans tous les arbres de décision. Noeud principal: Chaque arbre de décision commence par un thème central ou une question. C'est ce qu'on appelle la racine d'un arbre de décision. Tous les autres nœuds et branches en sortent.

Où se trouve l’arbre de décision correspondant ?

L’arbre de décision correspondant est décrit ci-dessous (Figure 1). • Le premier sommet est appelé la « racine » de l’arbre. Il est situé sur le premier niveau. Nous y observons la distribution de fréquence de la variable à prédire « Jouer ».

Quels sont les nœuds d'un arbre de décision ?

Noeud principal: Chaque arbre de décision commence par un thème central ou une question. C'est ce qu'on appelle la racine d'un arbre de décision. Tous les autres nœuds et branches en sortent. Noeud feuille: Ces nœuds représentent diverses décisions et résultats.

Apprentissage Articiel et fouille de donnees

Arbres de decision

Jamal Atif, Universite Paris Dauphine

D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar

M2R ISI

Universite Paris-Dauphine2015-2016

Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 1 / 73

Introduction

Plan

1Introduction

2Arbres de decision

Choix de l'attribut discriminant

Algorithme CART

Algorithme C4.5

Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 2 / 73

Introduction

Classication

Examiner les caracteristiques d'un objet et lui attribuer une classe (un champ particulier a valeurs discretes).Etant donnee une collection d'enregistrements (ensemble d'apprentissage ).Chaque enregistrement contient un ensemble d'attributs et un de ces attributs est sa classe.Trouver unmo delep ourl'attrib utclasse comme une fonction de la valeurs des autres attributsBut : permettre d'assigner une classe a des enregistrements inconnus de

maniere aussi precise que possible.Un ensemble de testest utilis ep ourd eterminerla pr ecisiondu mo dele.

Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 3 / 73

Introduction

Classication : exemple

Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 4 / 73

Arbres de decision

Plan

1Introduction

2Arbres de decision

Choix de l'attribut discriminant

Algorithme CART

Algorithme C4.5

Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 5 / 73

Arbres de decision

Denition

Ensemble de regles de classication basant leur decision sur des tests associes aux attributs, organises de maniere arborescente.Motivation Produire des classications comprehensibles par l'utilisateur (versus les autres methodes)

Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 6 / 73

Arbres de decision

Principe

Predire la valeur d'un attribut

(variable cible ou variable exogene) a partir d'unensemble de valeurs d'attributs(variables predictives ou variables endogenes).Une methode simple, supervisee, et tres connue de classication et de prediction.Un arbre est equivalent a un ensemble de regles de decision : un modele facile a comprendre.Un arbre est compose :

denoeuds: classes d'individus de plus en plus nes depuis la racine.d'arcs: predicats de partitionnement de la classe source.Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 7 / 73

Arbres de decision

Un arbre de decision est un arbre au sens informatique. Les noeuds sont reperes par des positions2 f1;:::pg, oupest l'arite maximale des noeuds.Les noeuds internes sont les noeuds de decision. Un noeud de decision est etiquete par un test qui peut ^etre applique a

chaque description d'un individu d'une population.Chaque test examine la valeur d'un unique attribut.

Dans les arbres de decision binaires, on omet les labels des arcs.

Les feuilles sont etiquetees par une classe.

Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 8 / 73

Arbres de decision

Arbres de decision : exemple

Decider si un patient est

malade ou b ienp ortant selon sa temperatureet s'il a lagorge irritee.Arbre de decision :

2 classes : malade; bien portant

2 variables : temperature, gorge irritee.

Jamal Atif, Universite Paris Dauphine D'apres Celine Hudelot (ECP), d'apres Tan, Steinbach, Kumar (Universite Paris-Dauphine)ISI-32015-2016 9 / 73

Arbres de decision

Vocabulaire

Noeud interne, intermediaire ou test (noeud de decision) : chaque noeud intermediaire est deni par un test construit a partir d'une variable. Le test est applicable a toute description d'une instance et generalement un test sur un seul attribut.Noeud terminal ou feuille : etiquetes par une classe. Arcs issus d'un noeud interne : reponses possibles au test du noeud. Chaque noeud interne ou feuille est repere par sa position (i.e. liste des

Quels sont les composants essentiels d'un arbre de décision ?

Où se trouve l’arbre de décision correspondant ?

Quels sont les nœuds d'un arbre de décision ?

Apprentissage Articiel et fouille de donnees

Arbres de decision

Jamal Atif, Universite Paris Dauphine

M2R ISI

Universite Paris-Dauphine2015-2016

Introduction

1Introduction

2Arbres de decision

Choix de l'attribut discriminant

Algorithme CART

Algorithme C4.5

Introduction

Classication

Introduction

Classication : exemple

Arbres de decision

1Introduction

2Arbres de decision

Choix de l'attribut discriminant

Algorithme CART

Algorithme C4.5

Arbres de decision

Arbres de decision

Denition

Arbres de decision

Arbres de decision

Principe

Predire la valeur d'un attribut

Arbres de decision

Arbres de decision

Les feuilles sont etiquetees par une classe.

Arbres de decision

Arbres de decision : exemple

Decider si un patient est

2 classes : malade; bien portant

2 variables : temperature, gorge irritee.

Arbres de decision

Arbres de decision

Vocabulaire

Tout arbre de decision denit un classieur.

Arbres de decision

Arbres de decision : exemple

Arbres de decision

Arbres de decision : exemple

Arbres de decision

Arbres de decision : exemple

Arbres de decision

Arbres de decision : exemple

Arbres de decision

Arbres de decision : exemple

Arbres de decision

Arbres de decision : exemple

Arbres de decision

Arbres de decision : exemple

Arbres de decision

Arbres de decision : induction

Arbres de decision

Arbres de decision : induction

Plusieurs algorithmes

Algorithme de Hunt (methode de base)