Transcript Télécharger - Université Mouloud Mammeri de Tizi Ouzou

Rencontres sur la Recherche en Informatique R2I
12-14 Juin 2011 université de Tizi-Ouzou, Algérie
CLASSIFICATION DE DONNÉES PAR
L’ALGORITHME FPSO-GA
1
Lalama Zahia, 2 Moussaoui Abdelouahab
1 Département d’informatique, Université de Sétif (Algérie), [email protected]
2 Département d’informatique, Université de Sétif (Algérie), [email protected]
Classifications de données
Objectif
Répartir un ensemble de données en groupes
d'observations homogènes
Différentes classifications possibles
Différentes classifications possibles
 Classification exclusive ou non exclusive
Classification supervisée ou non supervisée
13/04/2015
LALAMA.Z
2
Notre travail
 Un nouvel algorithme biomimétique hybride de
classification non supervisée de données
13/04/2015
LALAMA.Z
3
Pourquoi algorithmes biomimétiques?
Pourquoi un algorithme hybride ?
Algorithmes biomimétiques
 Problème de classification (NP- difficile)
 Métas heuristiques inspirées de la biologie
(Rapide, répété, aléatoire, solution approchée)
L’hybridation
 Pour augmenter les performances
 Remédier à certains problèmes rencontrés par un algorithme
(Difficulté de réglage des paramètres, choix de la fonction objectif,
présence des minimum locaux)
13/04/2015
LALAMA.Z
4
FPSO-GA
Combinaison
des algorithmes biomimétiques
AG, OEP et FCM
 Algorithme itératif
Algorithme principale: OEP (PSO)
Coopération entre plusieurs particules (essaim)
13/04/2015
LALAMA.Z
5
FPSO-GA (suite)
FPSO-GA
Appartenances des objets à différentes classes
selon une matrice d’appartenance (somme
degrés =1)
Deux fonctions objectifs:
Local (inspiré de FCM): retirer la particule
vers sa meilleur partition
Globale : retirer la particule vers la meilleur
partition trouvé dans l’essaim.
Faire sortir l’algorithme d’un optimum local
(Croisement à un point: AG)
13/04/2015
LALAMA.Z
6
Algorithmes génétiques
Représentation d’une particule
Représentation des classes par des prototypes
P11
P12
.
.
.
.
P1d
P21
P22
.
.
.
.
P2d
Pc1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Pc2
Pcd
Ensemble de données avec C classe et d attributs
13/04/2015
LALAMA.Z
7
 Calcul de la fonction objectif
fitness 
c
l
 ( 
j 1 k 1
jk
) s d 2j ( x k , p j )
Recherche de la position optimale
Vi(t+1) =w(vi(t))+ c1 rand1 (pid – xid(t)) + c2 rand2(pg –xid(t))
 xid(t+1) = xid(t) + Vid(t+1)
 Meilleur position d’une particule
 pid

pid (t  1)  
x (t  1)

 id
si
fitness( xid (t  1)  fitness( pid (t ))
si
fitness( xid (t  1)  fitness( pid (t ))
Matrice d’appartenance
1
)1 /( s 1)
k
d (x , v j )

c
1
k 1 ( d 2 ( x k , v ) )1/( s 1)
j
j
(
 jk
13/04/2015
2
j
LALAMA.Z
8
FPSO-GA
Pseudo code
13/04/2015
LALAMA.Z
9
FPSO
Comparaison (inertie intera classes)
18
16
14
12
10
FPSO
PSO (inertie intra-clase)
8
FCM
6
4
2
0
Iris
13/04/2015
Lenses
Glace
LALAMA.Z
Whether
Balance-scale Breast cancer
10
FPSO
Comparaison (donnée bruité)
6.00%
5.00%
4.00%
%d’objets mal classés (donnée bruité)
3.00%
%d’objets mal classés
2.00%
1.00%
0.00%
FPSO
13/04/2015
AG
LALAMA.Z
PMC
11
Conclusion
L’hybridation peut améliorer les performances
 FPSO-GA : des calculs simples et des résultats
satisfaisants et améliorés
13/04/2015
LALAMA.Z
12
Comme perspectives
Faire une étude pour le choix des valeurs des
paramètres des algorithmes
Utiliser une méthode qui permet de définir le
nombre initial de clusters dans l’algorithme FPSO-GA
Utiliser une matrice d’appartenance en éliminant la
contrainte de définir la somme des degrés d’appart à 1.
13/04/2015
LALAMA.Z
13
13/04/2015
LALAMA.Z
14