Decision tree for uncertainty measures - Laboratoire d'Informatique de Grenoble Accéder directement au contenu
Communication Dans Un Congrès Année : 2018

Decision tree for uncertainty measures

Myriam Tami
  • Fonction : Auteur
  • PersonId : 741036
  • IdHAL : tami-myriam
J-M Aubert
  • Fonction : Auteur
& M Chebre
  • Fonction : Auteur

Résumé

The ensemble methods are popular machine learning techniques which are powerful when one wants to deal with both classification or prediction problems. A set of classifiers (regression or classification trees) is constructed, and the classification or the prediction of a new data instance is done by tacking a weighted vote. A tree is a piece-wise constant estimator on partitions obtained from the data. These partitions are induced by recursive dyadic split of the set of input variables. For example, CART (Classification And Regression Trees) [1] is an efficient algorithm for the construction of a tree. The goal is to partition the space of input variable values in the most as possible "homogeneous" K disjoint regions. More precisely, each partitioning value has to minimize a risk function. However, in practice, experimental measures can be observed with uncertainty. This work proposes to extend CART algorithm to this kind of data. We present an induced model adapted to uncertainty data and both a prediction and split rule for a tree construction taking into account the uncertainty of each quantitative observation from the data base.
Les méthodes d'ensembles sont très populaires et performantes sur des prob-lématiques de classification ou de prédiction. Elles sont basées sur l'agrégation de plusieurs classifieurs, qui sont des arbres de régression ou de classification. On considère une pondération de leurs prédictions pour prédire une valeur ou une classe d'une nouvelle instance de donnée. Concrètement, un arbre est un estimateur constant par morceaux sur des partitions disjointes de l'espace des variables d'entrées. Ces partitions sont construites par des divisions dyadiques récursives de l'ensemble des variables d'entrées qui minimisent une fonction de risque. En pratique, les observations d'une base de données sont sous-jacentes à des mesures qui peuvent présenter une incertitude. Ce travail propose d'étendre la construction d'un arbre de régression tel que CART à ce type de données. Nous introduisons d'abord la modélisation induite et adaptée à des données incertaines, puis nous présentons des règles de partitionnement et de prédiction pour la construction d'arbres prenant en compte l'incertitude de chaque observation quantitative d'une base de données.
Fichier principal
Vignette du fichier
JDS2018_TAMI.pdf (297.82 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01815637 , version 1 (14-06-2018)

Identifiants

  • HAL Id : hal-01815637 , version 1

Citer

Myriam Tami, M Clausel, E Devijver, E Gaussier, J-M Aubert, et al.. Decision tree for uncertainty measures. JDS 2018 : 50èmes Journées de statistique, May 2018, Paris-Saclay, France. ⟨hal-01815637⟩
100 Consultations
762 Téléchargements

Partager

Gmail Facebook X LinkedIn More