SELECTION DES VARIABLES A BASE DES METAHEURISTIQUES
Des informations générales:
Le niveau |
Master |
Titre |
SELECTION DES VARIABLES A BASE DES METAHEURISTIQUES |
SPECIALITE |
Informatique Biomédicale |
Page de garde:
Sommaire:
Glossaire
Introduction générale
1 Généralités sur les métaheuristiques
Introduction
Définition d’un problème d’optimisation
Classification des méthodes d’optimisation
1.1 Les méthodes approchées
1.2 Les métaheuristiques
1.3 Les méthodes exactes
4.1 Introduction
4.2 Définitions des métaheuristiques
4.3 Caractéristiques des métaheuristiques
5 Classification des Métaheuristiques
5.1. Recherche Locale (Méthodes de trajectoire).
5.1.1. Le Recuit simulé (RS) a. Principes du RS.b. Algorithme du RS c. Domaines d’applications
5.1.2 Recherche tabou
5.2 Métaheuristiques à base de population
5.2.1 Introduction
5.2.2 Algorithme génétique (AG) a. Principe de base de l’AG b. Processus de l’AG.c. Limites de l’AG.
5.2.3 Les essaims particulaires a. Principe de fonctionnement.b. Algorithme de base.
Conclusion
2 Problèmes de sélection de variables
Introduction
Sélection de variables
2.1 Problématique
2.2 Difficulté de la sélection d’attributs
2.2.1 Dimensionnalité
2.2.2 Pertinence d’attributs.
2.2.3 Redondance
2.3 Processus global de sélection de variables
2.3.1. Procédure de génération a. Direction de recherche b. Stratégie de recherche
2.3.2 Fonction d’évaluation a. Information.b. Distance c. Dépendance d. Consistance.e. Précision.
2.3.3 Critère d’arrêt
2.3.4 Procédure de validation
Approches de sélection de variables.
3.1 Méthode par Filtre.
3.2 Approches à adaptateur (Wrapper).
3.3 Approches intégrées (Embedded).
Métaheuristiques pour la sélection de variables.
Conclusion
3 Implémentation de l’algorithme OP-VAR
1 Introduction
2 Description du jeu de données
2.1 Description de la base de données de diabète.
2.2 Description de la base de données Heart Statlog
2.3 Description de la base de données Hepatitis
3 Environnement de développement.
4 Critères d’évaluation
5 Le model Op-Var
5.1 Description du classifieur SVM.
5.1.1 Hyperplans séparateurs dans un problème à deux classes
5.2 Architecture du modèle.
5.2.1 Conception du chromosome
5.2.2 Conception de la fonction de remise en forme
5.2.3 Étapes de base de la méthode GA-SVM
5.3 Choix des paramètres
5.4 L’approche GA-SVM dans la littérature
5.5 Aperçu sur l’interface Op-Var
6 Validation Expérimentale
6.1 Analyse des résultats
6.2 Etude comparative
6.2.1 Comparaison des résultats avec et sans sélection
6.2.2 Comparaison des résultats avec les méthodes Relief et Rank-Features 6.2.3 Comparaison avec les résultats de la littérature
7 Conclusion
Conclusion générale
Bibliographie
Introduction générale
1 Généralités sur les métaheuristiques
Introduction
Définition d’un problème d’optimisation
Classification des méthodes d’optimisation
1.1 Les méthodes approchées
1.2 Les métaheuristiques
1.3 Les méthodes exactes
4.1 Introduction
4.2 Définitions des métaheuristiques
4.3 Caractéristiques des métaheuristiques
5 Classification des Métaheuristiques
5.1. Recherche Locale (Méthodes de trajectoire).
5.1.1. Le Recuit simulé (RS) a. Principes du RS.b. Algorithme du RS c. Domaines d’applications
5.1.2 Recherche tabou
5.2 Métaheuristiques à base de population
5.2.1 Introduction
5.2.2 Algorithme génétique (AG) a. Principe de base de l’AG b. Processus de l’AG.c. Limites de l’AG.
5.2.3 Les essaims particulaires a. Principe de fonctionnement.b. Algorithme de base.
Conclusion
2 Problèmes de sélection de variables
Introduction
Sélection de variables
2.1 Problématique
2.2 Difficulté de la sélection d’attributs
2.2.1 Dimensionnalité
2.2.2 Pertinence d’attributs.
2.2.3 Redondance
2.3 Processus global de sélection de variables
2.3.1. Procédure de génération a. Direction de recherche b. Stratégie de recherche
2.3.2 Fonction d’évaluation a. Information.b. Distance c. Dépendance d. Consistance.e. Précision.
2.3.3 Critère d’arrêt
2.3.4 Procédure de validation
Approches de sélection de variables.
3.1 Méthode par Filtre.
3.2 Approches à adaptateur (Wrapper).
3.3 Approches intégrées (Embedded).
Métaheuristiques pour la sélection de variables.
Conclusion
3 Implémentation de l’algorithme OP-VAR
1 Introduction
2 Description du jeu de données
2.1 Description de la base de données de diabète.
2.2 Description de la base de données Heart Statlog
2.3 Description de la base de données Hepatitis
3 Environnement de développement.
4 Critères d’évaluation
5 Le model Op-Var
5.1 Description du classifieur SVM.
5.1.1 Hyperplans séparateurs dans un problème à deux classes
5.2 Architecture du modèle.
5.2.1 Conception du chromosome
5.2.2 Conception de la fonction de remise en forme
5.2.3 Étapes de base de la méthode GA-SVM
5.3 Choix des paramètres
5.4 L’approche GA-SVM dans la littérature
5.5 Aperçu sur l’interface Op-Var
6 Validation Expérimentale
6.1 Analyse des résultats
6.2 Etude comparative
6.2.1 Comparaison des résultats avec et sans sélection
6.2.2 Comparaison des résultats avec les méthodes Relief et Rank-Features 6.2.3 Comparaison avec les résultats de la littérature
7 Conclusion
Conclusion générale
Bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.