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

CHAPITRE 4. EFFET DE LA SÉLECTION DE CARACTÉRISTIQUES 38
@pré : Un ensemble de caractéristiques : Caract
@post : Un sous-ensemble de Caract plus pertinent : Caract_Gardées
Performances précédentes = −∞
Performances actuelles = 0
Caract_Gardées = {}
while Performances actuelles - Performances précedentes ≥ δ
Performances précédentes = Performances actuelles
for Toutes les caractéristiques de Caract
Evaluer les performances avec Caract_Gardées plus une
caractéristique
end
Ajouter à Caract_Gardées la caractéristique augmentant le plus les
performances
Performances actuelles = les performances avec Caract_Gardées
end
Table 4.1 – Pseudo-code de la méthode forward modifiée. Notez que les performances
sont obtenues par validation croisée.
sont en fait pas tirés tout à fait au hasard, mais à intervalles réguliers avec
leur nombre total K qui lui est tiré au hasard (cas 1).
- Sous-échantillonnage simple : les battements normaux sont gardés au hasard,
avec classifieur LDA pondéré. Même remarque qu’au cas précédent
(cas 2).
- Sous-échantillonnage de type Clustering : k-means avec un recentrage à la
fin et la norme d’ordre 2, avec classifieur LDA non-pondéré (cas 3).
- Sous-échantillonnage de type Clustering : k-means avec un recentrage à la
fin et la norme d’ordre 2, avec classifieur LDA pondéré (cas 4).
Ces quatre cas sont répétés 20 fois, suivant la structure décrite à la Figure
3.3 et K est astreint à être compris entre le minimum et le maximum des classes
S, V et F (respectivement 2, 3 et 4). Ce choix permettra d’évaluer l’effet de
base du déséquilibre (cas 1), l’effet de la pondération du LDA (cas 2), l’effet du
sous-échantillonnage par clustering seul (cas 3) et enfin la synergie des deux (cas
4).