Conception des modèles d'observation audio temps réel à l ... - atiam

30 Expérimentations4.4 Première approche : ordonner les descripteursNous traitons ici l’approche présenté dans la partie 3.4 page 23, qui consisteà former des ensembles de descripteurs de plus en plus grands à partir del’ordre donné par des algorithmes permettant d’ordonner les descripteursselon un mérite.Influence du nombre de descripteurs sur l’erreur d’apprentissageDans un premier temps, nous avons étudié l’influence du nombre de descripteursretenus à partir de l’ordre donné par les algorithmes sur la performancedu classifieur. Les figures 4.1 et 4.2 page suivante donnent l’erreur declassification en fonction du nombre de descripteurs inclus.4035WrapperCfsReliefFGain d’informationRatio du gain d’informationErreur de classification (%)30252015100 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220 230Nombre de descripteursFIG. 4.1 – Influence du nombre de descripteurs retenus sur l’erreur de classificationpour un classifieur bayésien naïf.Filters purs Tout d’abord, il convient de noter que les courbes illustrent bienles limites déjà connues des méthodes filter. Contrairement à ce que peut laisserpenser le principe consistant à ordonner les descripteurs suivant un mérite,l’erreur d’apprentissage n’est pas du tout une fonction strictement décroissantedu nombre de descripteurs sélectionnés. Dans certains cas l’ajout d’un descripteurdégrade considérablement la performance de classification, et l’ajout dudescripteur suivant l’améliore (le cas du critère du gain d’information et duclassifieur bayésien naïf en est un bon exemple). Pour un algorithme donné,