x − a1 2 x − a2 2

1+( ) <1+( )
b b

2x(a2 − a1 ) < a22 − a21

a2 +a1
Comme a2 > a1 alors x < 2

La règle de décision est donc :

a1 +a2

Module 2 - Théorie de la décision de Bayes Décider ω = ω1 Si x < 2 (2)
Sinon ω = ω2
Exercices - Corrigé
Exercice 2*

Exercice 1* 1. Dans le cas de classes équiprobables la règle de décision de Bayes

est donnée par :

1 Décider ω = ω1 si p(x|ω1 ) > p(x|ω2 )
p(x|ωi ) = πb
, x ∈ R, i ∈ {1, 2} (3)
Sinon ω = ω2
1+ ( x−a i 2
b )
Si
avec b > 0 et a2 > a1
p(x|ω1 ) > p(x|ω2 )
Lorsque nous sommes en présence de deux classes équiprobables, nous
avons P (ω1 ) = P (ω2 ). Dans ce cas-là, la règle de décision de Bayes Alors
devient :
1 1 x2 1 1 (x − 1)2
√ exp(− 2 ) > √ exp(− )
2 2πσ 2 2σ 2 2πσ 2 2σ 2

Décider ω = ω1 Si p(x|ω1 ) > p(x|ω2 )
(1)
Sinon ω = ω2 x2 (x − 1)2
exp(− 2
) > exp(− )
2σ 2σ 2
x2 (x − 1)2
Si − > −
2σ 2 2σ 2
p(x|ω1 ) > p(x|ω2 ) x2 < x2 − 2x + 1

Alors, −2x + 1 > 0

Donc
1
1 1
x<
πb πb
2
>
1+ ( x−a1 2
b ) 1+ ( x−a2 2
b )
La règle de décision correspondante est :

Dernière mise à jour le 31 janvier 2017. 1

 1

Décider ω = ω1 Si x < 2 Ce qui confirme le résultat de la question 2.
(4)
Sinon ω = ω2

2. La représentation graphique de p(x|ω1 ) et p(x|ω2 ) pour σ 2 = 1.

1 dev . new ( )
2 p l o t ( f u n c t i o n ( x ) dnorm ( x , 0 , 1 ) , −5 ,5 , c o l=" r e d " , main="
R e p r é s e n t a t i o n g r a p h i q u e de p ( x | w1 ) e t p ( x | w2 ) " , x l a b=
" " , y l a b=" " , c e x . l a b = 0 . 8 , c e x . a x i s = 0 . 8 , c e x . main = 0 . 8 ,
c e x . sub = 0 . 8 , lwd =2)
3 c u r v e ( dnorm ( x , 1 , 1 ) , add=TRUE, c o l=" b l u e " , l t y =2 , lwd =2)
4 grid ()
5 # A j o u t e r une l é g e n d e
6 l e g e n d ( " t o p l e f t " , l e g e n d=c ( "p ( x | w1 ) " , "p ( x | w2 ) " ) , c o l=c ( "
r e d " , " b l u e " ) , l t y = 1 : 2 , c e x = 0 . 8 , lwd =2)

Exercice 3*

1. Chargez la base de données IRIS

1 # Charger l a b a s e de d o nn ée s I r i s
2 data ( ’ i r i s ’ )

1 # S t a t i s t i q u e s de l a b a s e de d on n ée s IRIS
2 summary ( i r i s )

3. La déduction graphique de la régle de décision bayésienne associée

à ce problème de classification est representé par la figure suivante :

On remarque que : 1 # Nombre d ’ e s p è c e s pour chaque c a t é g o r i e

 2 table ( i r i s $ Species )
Si x ≤ 0.5 Alors p(x|ω1 ) ≥ p(x|ω2 )
Sinon p(x|ω1 ) < p(x|ω2 )

Nous pouvons déduire la règle de décision suivante : Il y a 50 observations pour chaque espèce, setosa, versicolor et virginia.

Décider ω = ω1 Si ≤ 0.5
Sinon ω = ω2 2.

Dernière mise à jour le 31 janvier 2017. 2

 1 #i n s t a l l e r l a b i b l i o t h è q u e
2 i n s t a l l . packages ( " caTools " )
3
4 # Charger l a b i b l i o t h è q u e " c a T o o l s "
5 l i b r a r y ( caTools )
6
7 # Fixer l e seed à 7
8 set . seed (7)
9
10 # D i v i s e r l a b a s e de d on n ée s en b a s e d ’ e n t r a i n e m e n t e t en
b a s e de t e s t
11 sample_ i r i s <− sample . s p l i t ( i r i s $ S p e c i e s , S p l i t R a t i o = 0 . 8 0 )
12 i r i s _t r a i n <− s u b s e t ( i r i s , sample_ i r i s == T)
13 i r i s _t e s t <− s u b s e t ( i r i s , sample_ i r i s == F)

3.
1 # I n s t a l l e r l a b i b l i o t h è q u e " e1071 "
2 i n s t a l l . p a c k a g e s ( " e1071 " )
3 # Charger l a b i b l i o t h è q u e
4 l i b r a r y ( e1071 )
5 nb_model_ i r i s <− n a i v e B a y e s ( S p e c i e s ~ . , data = i r i s _t r a i n )
6 summary ( nb_model_ i r i s )
7
8 nb_model_ i r i s $ a p r i o r i
9 nb_p r e d i c t_ i r i s <− p r e d i c t ( nb_model_i r i s , i r i s _t e s t )
10 c o n f <− t a b l e ( pred=nb_p r e d i c t_i r i s , t r u e= i r i s _t e s t $ S p e c i e s )
11
12 T a u x D e C l a s s i f i c a t i o n <− sum ( d i a g ( c o n f ) ) /sum ( c o n f )

Le taux de classification du modèle est de 93,33%

Dernière mise à jour le 31 janvier 2017. 3