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

32 Expérimentationsvaleurs mesurées sont données par le tableau 4.1.Classifieur Bayésien naïf Gaussienne multi-dimensionnellemodélisant chaque classeErreur de 26,9% 27,3 %classificationTAB. 4.1 – Erreur d’apprentissage obtenue sans sélection de descripteurs.Influence du nombre de descripteurs sur le coût de calculLa courbe 4.3 montre l’évolution du coût de calcul des sous-ensemblesde descripteurs en fonction du nombre de descripteurs inclus suivant l’ordredonné par l’algorithme de sélection pour un classifieur bayésien naïf. Commepouvons le constater, le coût de calcul des sous-ensemble croît extrêmement vitequel que soit l’algorithme de sélection utilisé. Le coût de calcul maximal est atteintavec un ou deux descripteurs dans le pire des cas, avec dix descripteursdans le meilleur des cas. Des résultats similaires ont été obtenus avec l’autreclassifieur retenu pour notre étude.1.110.9Cout de calcul des descripteurs0.80.70.60.50.4Wrapper0.3CfsReliefFGain d’informationRatio du gain d’information0.21 2 3 4 5 6 7 8 9 10 11 12 13 14 15Nombre de descripteursFIG. 4.3 – Influence du nombre de descripteurs retenus sur le coût de calculdu sous-ensemble pour un classifieur bayésien naïfNotre approche consiste à évaluer la performance de classification des nsous-ensemble de descripteurs formés en incluant les n premiers descripteurs