Classifier ensemble under the belief function framework

Ensemble de classifieurs dans le cadre de la théorie des fonctions de croyance Dans cette thèse, nous nous intéressons au problème de construction d’ensemble de classifieurs pour le traitement de données incertaines, plus particulièrement les données modélisées avec la théorie des fonctions de croyance. Dans un premier temps, nous introduisons de nouveaux algorithmes d’apprentissage dans le cadre évidentiel. Par la suite, nous abordons le processus de construction d’ensemble de classifieurs qui se fonde sur deux étapes importantes : la sélection des classifieurs individuels et la fusion des classifieurs. Pour l’étape de sélection, la diversité entre les classifieurs individuels est l’un des critères importants qui influe sur la performance de l’ensemble et peut être assurée en entrainant les classifieurs avec des sous-ensembles d’attributs divers. Ainsi, nous proposons une nouvelle approche permettant l’extraction de sous-ensembles d’attributs à partir des données décrites par des attributs évidentiels. Nous nous reposons sur la théorie des ensembles approximatifs (rough set theory en anglais) pour identifier les différents sous-ensembles d’attributs minimaux (reducts en anglais) permettant la même discrimination que l’ensemble des attributs initiaux. Nous développons ensuite trois méthodes permettant la sélection des reducts les plus appropriés pour un système d’ensemble. Une évaluation de ces trois méthodes de sélection a été effectuée et la meilleure méthode a été utilisée pour la sélection des classifeurs individuels. Pour la phase de fusion, nous proposons de sélectionner l’opérateur de fusion le plus approprié parmi les règles les plus connues à savoir la règle de combinaison de Dempster, la règle prudente et la règle t-norm optimisée.