Classification

Classification
Elle permet de prédire si un élément est membre d’un groupe ou d ’une catégorie donnée.

Classes

Identification de groupes avec des profils particuliers Possibilité de décider de l’appartenance d’une entité à une classe

Caractéristiques

Apprentissage supervisé : classes connues à l’avance Pb : qualité de la classification (taux d’erreur)

Classification - Applications

Accord de crédit Applications

Marketing ciblé
Diagnostic médical

Analyse de l’effet d’un traitement
Détection de fraudes

fiscales etc. Processus à deux étapes
Etape 1 : Construction du modèle à partir de l’ensemble d’apprentissage (training set)
Etape 2 : Utilisation du modèle : Valider le modèle et l’utiliser dans la classification de nouvelles données

processus à 2 étapes

Construction du modèle
Chaque instance est supposée appartenir à une classe prédéfinie La classe d’une instance est déterminée par l’attribut ”classe” L’ensemble des instances d’apprentissage est utilisé dans la construction du modèle

Etape 1

Le modèle est représenté par des règles de classification, arbres de décision, formules mathématiques, ...

Utilisation du modèle
Classification de nouvelles instances ou instances inconnues
Etape 2

Validation du modèle la classe connue d’une instance test est comparée avec le résultat du modèle Ex: Taux d’erreur = pourcentage de tests incorrectement classés par le modèle

Validation du modèle
Mesure de qualité d’un classeur : cas de classification binaire

VP/VN : Le nombre de vrais positifs/négatifs : exemples de classe positive/négative et dont la classe est prédite comme positive/négative. FP/FN : Le nombre de faux positifs/negatifs: Les exemples de classe négative/positive est dont la classe est prédite comme positive/négative. Classe prédite +
Classe réelle + Classe réelle VP FP

Classe prédite FN VN

Validation du modèle
• Mesure de qualité d’un classeur : cas de classification