traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
3.4. Construction de fonctions de décision <strong>par</strong>cimonieuses 75<br />
(C θ , σ θ , k θ , β θ ) ← EXTRAIREPARAMÈTRES(θ)<br />
(Z E , Z V ) ← ECHANTILLONAGE(Z A )\\ sé<strong>par</strong>ation proportionnelle 2/3 et 1/3<br />
˜Z E ← SIMPLIFICATION(Z E , k θ )<br />
D ← ENTRAÎNEMENTSVM( ˜Z E , C θ , σ θ , β θ )<br />
e BER ← TAUXERREURBALANCÉ(D, Z V )<br />
n VS ← NOMBREDEVECTEURSSUPPORT(D)<br />
q ← QFD(e BER , n SV , β θ )<br />
retourner q<br />
Algorithme 5: Etapes d’entraînement d’un SVM pour un modèle θ.<br />
Reste à définir la Qualité d’une Fonction de Décision (QFD) à <strong>par</strong>tir d’un compromis entre<br />
le taux d’erreur balancé (BER) et la complexité de la fonction de décision produite. Cette complexité<br />
dépend du nombre de vecteurs de support nécessaires à sa définition et du nombre d’attributs<br />
utilisés <strong>par</strong> cette fonction. Notre définition empirique de ce critère de qualité est la suivante :<br />
q FD = (1 − e BER ) − c VS log 2 (1 + n VS ) − c β log 2 (coût(β)) (3.12)<br />
avec coût(β) = ∑ β i κ i . Les constantes κ i représentent le coût relatif d’extraction des attributs<br />
i si l’on souhaite tenir compte du temps de calcul associé à chaque attribut.<br />
Les valeurs des constantes c VS et c β servent à la pénalisation de la complexité et sont fixées<br />
<strong>par</strong> l’utilisateur. Elles représentent respectivement l’importance de la pénalisation due à l’augmentation<br />
du nombre de vecteurs de support et à l’augmentation du nombre d’attributs utilisés<br />
ou des coûts associés. L’idée directrice, pour cette définition, est qu’un doublement du nombre<br />
de vecteurs de support doit au moins correspondre à une diminution de la valeur de c VS pour<br />
le taux d’erreur balancé pour que le processus décisionnel correspondant soit considéré comme<br />
étant de qualité supérieure. Lorsque les valeurs de c VS et c β sont faibles (< 0,01), c’est le principe<br />
de <strong>par</strong>cimonie qui est privilégié.<br />
L’espace de recherche Θ a une cardinalité importante lorsque l’on souhaite trouver un modèle<br />
θ ∈ Θ qui réalise la recherche d’une fonction de décision optimale selon les critères que<br />
nous avons définis. Il faut alors disposer d’une méthode de sélection qui puisse explorer l’espace<br />
Θ de manière plus efficace et dans des temps de calcul plus raisonnables qu’une évaluation systématique<br />
de tous les <strong>modèles</strong> possibles. Nous avons choisi une méta-heuristique de recherche<br />
avec tabous pour effectuer cette recherche car elle a déjà été utilisée avec succès d’une <strong>par</strong>t pour<br />
la sélection d’attributs [KORYCI04] et d’hyper-<strong>par</strong>amètres [CAWLEY01] d’un SVM d’autre <strong>par</strong>t.<br />
Le synopsis de la recherche avec tabous est le présenté dans l’algorithme 6.