Initiation à la fouille de données et à l'apprentissage automatique=1 [1]Extrait du cours de François

Christophe Magnan

Description

Rappels cours pr´ec´edentQuelques r`egles de classificationL’apprentissage en pratique et principe ERMInitiation `a la fouille de donn´ees et `a1l’apprentissage automatiqueChristophe MagnanLaboratoire d’Informatique Fondamentale de MarseilleUniversit´e de [e-mail]/∼magnan1Extrait du cours de Fran¸cois Denis1Christophe Magnan Initiation `a la fouille de donn´ees et `a l’apprentissage automatiqueRappels cours pr´ec´edentQuelques r`egles de classificationL’apprentissage en pratique et principe ERMPlan du cours1 Rappels cours pr´ec´edent2 Quelques r`egles de classification3 L’apprentissage en pratique et principe ERM1Christophe Magnan Initiation `a la fouille de donn´ees et `a l’apprentissage automatiqueRappels cours pr´ec´edentQuelques r`egles de classificationL’apprentissage en pratique et principe ERMPlan1 Rappels cours pr´ec´edent2 Quelques r`egles de classification3 L’apprentissage en pratique et principe ERM1Christophe Magnan Initiation `a la fouille de donn´ees et `a l’apprentissage automatiqueRappels cours pr´ec´edentQuelques r`egles de classificationL’apprentissage en pratique et principe ERMApprentissage `a partir d’exemplesPlusieurs cat´egoriesUne similarit´e : apprendre `a classer des donn´ees deX dans unensembleY `a partir d’exemples1Christophe Magnan Initiation `a la fouille de donn´ees et `a l’apprentissage automatiqueRappels cours pr´ec´edentQuelques r`egles de ...

Informations

• Publié par: Eprau
• Nombre de lectures: 17
• Langue: Français

Extrait

Rappelscourspr´cee´edtn uQleuqseegr`sdlelaecifissitac ’L no rppaitneeenpssagqueeraticnpiptirEeMR iadtcuuosredrFna 1 Extr ngaMehpoaitinIna ensDoi¸c striCh is ´needenolaa’es`t`alationlledfoui

[e-mail] www.lif.univ-mrs.fr/∼magnan

Christophe Magnan

Laboratoire d’Informatique Fondamentale de Marseille Universite´deProvence

Initiation`alafouillededonn´eeseta` l’apprentissage automatique 1

timae 1 quegasotuaerppsitn

ouucndlars sagentisatiqenprrpnieuteRE P Micep dedelliuofala`nopp’aalt`seeen´ontspohCiriatiInitgnanheMaeguaotamertnsias

2

3

L’apprentissage en pratique et principe ERM

Rappelscourspre´ce´dent

1

tique 1

Quelquesr`eglesdeclassification

lque t Q enedc´´eprsruocsleppaR ppre n L’a atiosificlcsaseede`lgeurs

1

Quelquesr`eglesdeclassification

2

3

L’apprentissage en pratique et principe ERM

Rappelscourspr´ec´edent

1

elppouscRa siasertnrptaegne ficatassi ’app ion L e`rseuqllcedselg c´´eprrs ue t Q ened alP M n ueiqpretciinERpe eMagtophhrisComatiquessageautparpneitsetea`’ldode´ennouafleiloitala`nInanitin

ssifieclalesdr`eg neitparp no ’L acit eequtiranpeeagss rppA MREepicnirpt urcor´spapRlspe leuQseuq e´cetned C neitssga`eparaitrd’exemples

dans un

Plusieurscat´egories Unesimilarit´e:apprendre`aclasserdesdonn´eesdeX mbleY` artir d’exemples ense a p

1 ueiqatomuteala`nuofaitinoitaageMnInaishrphtoneitssgaa`’lparpnn´eesetillededo

rpe´uosrlecsaRpp gesaisntirrtpa`a epicnirp erppA MRE melp’dxese gl`edeesasclficsi de´c Q tne qleurseu sageenpratiqueet taoi L n a’ppertnsi la`tppa’tnerassiaugematoquti

Y´tinssioegretsoce n u : r n ⇒..c.ets,mpndetctio´edipredetru,eretame´p Ydistec:unnocnitetercstionnonslassificaeepureiv´s ⇒clustering, hierarchie... ´ Ycsidetertseunc:ctnofiiacalsssupetion´eervis ⇒spam, maladie, ...

e 1 nItiaiitnoa`alofuillededonn´eeseopstriChangnMahe

fouilledtion`alananItiaipoehaMnggesatoaureppisnt`tesa’lanodeee´n

Yest continu : regression ´ ⇒c...taru,eedetpm,stectdindioemeterp´e´rp Yacitnoeosntsdnipsucrreeitvetinconnu:classifiees´ ⇒clustering, hi´rarchie... e Yest discret et connu :ssfiicalnousacit´eisrvpee ⇒spam, maladie, ...

uq 1 eamittsirhC siasegnea’ppertn fication L declassie`rsselgeuQ t euql c´´eenedouscprrsppleaR plesaptrega`xemeri’dpp M A ERpe saisntre euqitarpicnirpte

Rpeapcolsspurce´rede´ uQ tn uqleesr`eglesdeclassfiiacitno ’Lparpneeeagsstiqutiranpcnirptee oM MREepi isatd´elion

e S={(x 1 ,y 1 ), ...,(x l ,y l )}observ´ ∀i∈ {1, ...,l},x i ∈ X, avecXun espace de description ∀i∈ {1, ...,l},y i ∈ Y, avecYun ensemble de classes Lesexemples d’apprentissage de S(til´lechanon) sont des couples (x,y)∈ X × Ysidalnoloitubirtesr´tised.i.i.njointe P(x,y) =P(x)P(y|x).

1 euqitautomageatisspren’lpatea`e´seodnn`noifalaliuoedeleMphnaagninIattiCrhsiot

Rappelscourspre´ce´dent Quelquesr`eglesdeclassification L’apprentissage en pratique et principe ERM Mod´elisationdelaclassificationsupervis´ee Objectif:a`partirdel’´echantillonS, construire (calculer) une fonction f : YX →imeselirqseuinimiuq,ruefiissacleel´peap,R(f) R(f) = Z L(y,f(x))dP(x,y) = Z y6=f(x) dP(x,y) =P(y6=f(x)). Fonction de perteL(y,f(x)) =  0 is1 si n y on = . f(x) Contrainte : la relation entreXetYest fixe mais inconnue, on ne dispose que de S comme information partielle sur cette relation Contrainte : dans la plupart des cas, le risque n’est pas calculable car on ne dispose pas d’assez d’information sur la distributionP ⇒fsoptioddeereds´caesnnbo´tseapicnee´ed´gsatiralion. ChristopheMagnanInitiation`alafouillededonn´eeset`al’apprentissageautomatiq

ue 1

ee´n`tesa’laerppisntgesCahtroiasuttoipmhae E a e M p n i gna M n R Itiaiitno`alafouillededon rpne’Lpagaeeitsstiqunprarinceetp

classification

uq

de

l

la

e u u q Q 1 t e n elge

supervise´e

`

Mode´lisation

rs

(suite)

esslaecsdonticaifi Rappe´rcee´edslocrups

ppaRsruocsleedc´´epr lque t Q en preniqatisntgesaepic R MREteeunirp esdeclasuesr`egl L n a’pper iscfitaoi quesemar Cphtoishrafoun`aldedoilleanInMegataoiinittienagssuteaatome´nntese’la`rppaqieu 1

4

Lemod`eleestestnireim´dtenno: leproble`meciblepeuteˆtrere´ellementnonde´terministe; leproble`mepeuteˆtrebruit´e; l’espacededescriptionspeutned´ecrirequ’incompl`etementune situation complexe. Leprobl`emeestnonde´terministemaisonenchercheune solutionde´terministe. Lemode`leeste´marapnonuetriqdeefiiuq´pcelesemod`ucun:a ge´ne´rationdedonn´eesn’estpr´esuppose´;aucunecontrainte surl’ensembledesfonctionsquel’ondoitconside´rernisurle typeded´ependancesentrefonctionsetparame`tres. D’autresfonctionsdepertespeuventeˆtreconside´r´ees.En particulier, on peut envisager desctuˆosesreel´nsostlneffid erreurs commises.

1

2 3