Arbre de décision

 Arbre de décision  Algorithme ID3  Exemple  Conclusion 3 Introduction  Dans les domaines de l'aide à la décision (informatique décisionnelle et entrepôt de données), il est essentiel de produire des procédures de classification compréhensibles par l'utilisateur.  On distingue deux classification :  supervisé: Les arbres de décision, Les réseaux de neurones…  non-supervisé: regroupement, densité, hiérarchique… 4 Arbre de décision

classe prédéfinie La classe d’une instance est déterminée par l’attribut ”classe” L’ensemble des instances d’apprentissage est utilisé dans la construction du modèle Etape 1 Le modèle est représenté par des règles de classification, arbres de décision, formules mathématiques, ... Utilisation du modèle Classification de nouvelles instances ou instances inconnues Etape 2 Validation du modèle la classe connue d’une instance test est comparée avec le résultat du modèle Ex: Taux d’erreur

i. Arbre de décision SCHEMA DES OPERATIONS-LA REGIE DES RECETTES | Emission d’une quittance Emission une quittance Préparation du relevé quotidien des recettes Non Limite d’encaisse atteinte Oui Préparation du bordereau de versement à la trésorerie provinciale Transmission du bordereau de versement des recettes à la trésorerie provinciale Réception des recettes et signature du comptable assignataire Retour du bordereau de versement (copie 2 et 3) Une

EN BREF Dans une goutte d’eau Eaux usées – Centre de traitement Les eaux usées sont fréquemment appelées eaux d’égout. Il s’agit d’eaux qui ont été utilisées pour le lavage et le nettoyage par chasse d’eau dans les maisons, ou encore certains procédés de fabrication. Les eaux usées sont constituées d’eau à 99 pour cent, le reste étant composé de matières de vidange, de déchets organiques et de détergents. Rejet des eaux usées Dans de nombreuses communautés, les eaux usées sont collectées grâce

Arbre décisionnel ISO22000 Q1 : La gravité des effets du danger sur la santé et sa probabilité d’occurrence (avant élimination ou réduction par une mesure de maîtrise) rendent-elles une maîtrise nécessaire pour assurer de respecter le niveau acceptable défini ? Q2 : Une combinaison appropriée de mesure (s) de maîtrise capable (s) d’éliminer le danger ou le ramener à un niveau acceptable a-t-elle été sélectionnée ? Q3 : La combinaison de mesure (s) est-elle spécifiquement

bibliothèque ou d’un moteur de recherche comme Yahoo !. Le but est alors de classer automatiquement un nouveau document. Comme les documents sont nombreux ou que leur nombre augmente sans cesse, il serait difficile de programmer à l'avance des règles de décision pour déterminer la classe d'un nouveau document. Même si cela était possible, ces règles devraient être régulièrement modifiées par l'utilisateur pour qu'elles reflètent la réalité actuelle. Nous présentons donc des méthodes d’apprentissage qui,

2 Plan ARBRE DE DECISION Florence Nicolau Master 2 MIAGE option SIRIS Université de Nice Sophia Antipolis Florence.Nicolau@unice.fr http://www.nicolau.nom.fr/ 1 2009 – 2010 Définition d’un arbre Algorithme de construction Mesures d’homogénéité des nœuds Règles de décision Elagage de l’arbre Avantages et inconvénients Bibliographie 4 Arbre de décision : problématique Définition d’un arbre Méthode permettant de prédire l’appartenance d’un individu à un groupe en fonction de

Projet IA – Arbre de décision Sommaire I- L’arbre de décision 3 a- Définition de l’arbre de décision 3 b- Exemple d’un arbre de décision 4 c- Problématique et domaine d’application 5 d- Modèles d’apprentissage 5 e- Principe de la méthode 6 f- Avantages et Inconvénients 6 II- Construction d’un arbre 7 a- Déroulement de la construction 7 b- Condition d’arrêt 7 c- Parcours d’un arbre 8 III- Les différentes types d’arbres 9 a- CART 9 b- ID3 10 c- C4.5

prédictif L’objectif est de trouver le meilleur algorithme permettant de predire en fonction de nos 11 variables descriptives la variable « class » identifiant le mot qui a été prononcé. Pour ce faire, nous allons tester les algorithmes suivant : arbre de decision (C4.5) Réseaux de neurone simple Réseaux de neurones avec couches cachées Réseaux bayésiens Analyse discriminante Le ou les meilleurs algorithmes seront ensuite optimisés afin d’obtenir la meilleur prédiction possible. A noter que dans le cas

méthodes de segmentation. Introduction g Les méthodes de segmentation cherchent à résoudre les problèmes de discrimination et de régression en divisant de façon progressive g ç p g l’échantillon en sous-groupes (segments), pour construire un arbre de décision. Lors de chaque dichotomie, les deux parties sont les plus contrastées vis-à-vis de la variable à expliquer. Les premières approches ont été proposées par Sonquist et Morgan (1964) avec l méthode di A (A la é h d dite AID (Automatic Interaction