Traitement automatique du signal ECG pour l'aide au diagnostic de ...

CHAPITRE 2. INTRODUCTION 14
Notre méthode se situe donc entre l’approche supervisée et l’approche nonsupervisée
: une première manipulation non-supervisée permet de réduire le jeu
de données et une seconde étape supervisée classifie les différents battements
restants. Comme la proportion de battements normaux par rapport aux anormaux
est importante et que l’on souhaiterait rééquilibrer les classes, la phase
non-supervisée concerne uniquement les battements normaux. La phase d’apprentissage
supervisée concerne elle les battements normaux réduits et tous les
battements anormaux.
2.7 Plan du mémoire
La suite du mémoire est divisée en quatre chapitres, suivis d’une conclusion.
- Chapitre 3 : Effet du sous-échantillonnage :
Dans ce chapitre, plusieurs méthodes de sous-échantillonnage seront comparées
et la meilleure d’entre elles sera choisie pour les autres parties.
- Chapitre 4 : Effet de la sélection de caractéristiques :
La sélection de variables sera décortiquée dans le cas choisi et pour certaines
variantes. Des conclusions pour le Chapitre 6 seront tirées.
- Chapitre 5 : Effet des outliers 1 :
La robustesse de la méthode choisie vis-à-vis des outliers sera testée dans
ce chapitre. Deux tentatives pour enlever certains points extrêmes seront
également testées, afin d’augmenter les performances de classification.
- Chapitre 6 : Validation du modèle :
Dans ce dernier chapitre avant la conclusion, on essayera de procéder à
la validation des paramètres, c’est-à-dire déterminer les paramètres qui
généralisent le mieux la classification. Les informations apprises dans les
parties précédentes seront utilisées au mieux.
1. Terme anglais signifiant points hors-normes, ou extrêmes. Les outliers sont des données
qui entrainent une réduction des performances de nombreuses méthodes de Machine Learning
de par leur côté extrême.