Nouveaux modèles flous d’apprentissage non supervisé des données multidimensionnelles

Abstract

Nos travaux de recherche ont pour objectif, d’une part, de réduire l’impact du chevauchement des classes de données, lorsque les limites entre les classes d’une partition sont fortement ambiguës et males définies, et où l’incertitude et la difficulté à prendre une décision sont grandes, et d’autre part, à identifier les valeurs aberrantes qui peuvent déséquilibrer l’apprentissage en se voyant accorder une importance plus grande qu’elles n’ont. Ainsi, on a proposé de nouveaux algorithmes d'apprentissage flou non supervisé à partir de données non étiquetées et en présence d’éventuelles valeurs aberrantes. On s'est intéressé ainsi aux points suivants: 1) les mesures de similarités entre les données et leur rôle crucial pour former les classes, ainsi qu'à la caractérisation de ces classes par des prototypes, 2) la quantification de l'imprécision et la tolérance de l'incertitude dans le cas du chevauchement aigu des classes où il s’avère difficile d’émettre une décision dans un environnement imprécis sans avoir suffisamment d'informations, 3) l’impact des valeurs aberrantes sur l’apprentissage, et les techniques proposées dans la littérature pour pouvoir effectuer un apprentissage des données en présence des valeurs aberrantes. Les expériences menées sur des données du monde réel montrent l’efficacité des algorithmes proposés pour l’apprentissage des données et la gestion de l’incertitude.