Read more
L'Analyse de Concepts Formels (ACF) offre un cadre intéressant pour les méthodes d'apprentissage. Un point fort de l'ACF est de permettre la construction automatique des concepts et des liens de dépendance entre les concepts afin de construire un treillis de concepts formels. Plusieurs méthodes se basent sur la classification à partir d'un treillis complet de concepts formels. D'autres se basent sur la classification à partir d'un semi-treillis. Ces dernières permettent de réduire l'espace de recherche par l'introduction des biais d'apprentissage. L'absence de l'aspect adaptatif est une limite majeure de toutes les méthodes d'apprentissage basé sur l'ACF. Ainsi, ces méthodes considèrent la totalité des données pour l'apprentissage afin de générer des règles de classification d'une façon massive. Les avantages de l'agrégation de classifieurs sont énumérés en détaillant le principe d'AdaBoost. Une méthode de classification basée sur le Boosting de classifieurs (Formal Concepts) permettra de profiter des bienfaits du Boosting et surtout la construction adaptative d'un ensemble de classifieurs. Cette méthode entre dans le cadre de la classification conceptuelle et adaptative par ACF.
About the author
Nida MEDDOURI, docteur en informatique, diplômé de la Faculté des Sciences Mathématiques, Physiques et Naturelles de Tunis, Université de Tunis El Manar et chercheur au Laboratoire d'Informatique, Programmation, Algorithmiques et Heuristique (LIPAH-FST).
