Académique Documents
Professionnel Documents
Culture Documents
DEMPSTER-SHAFER
I. INTRODUCTION
MODÉLISATION ET CONCEPTION
IMPLÉMENTATION ET SIMULATION EN
PYTHON
IV. CONCLUSION
I. INTRODUCTION
La théorie de Dempster-Shafer est une théorie mathématique basée sur la notion
de preuves utilisant les fonctions de croyance et le raisonnement plausible. Le but de
cette théorie est de permettre de combiner des preuves pour calculer la probabilité d'un
évènement. Développée par Arthur P. Dempster et Glenn Shafer, elle est aujourd'hui
utilisée pour modéliser l'incertitude épistémique (subjective) comme alternative à
l'approche probabiliste traditionnelle. Étant donné que la théorie bayésienne a
principalement besoin de mesures précises à partir d'expériences, cette exigence a
restreint son application aux problèmes ayant des informations faibles et éparses et a
incité à poursuivre les recherches pour explorer de nouvelles techniques. Entre-temps,
le concept de probabilité imprécise est apparu et s'en est suivi un formalisme différent,
parmi lesquels la théorie de Dempster-Shafer est un cadre de travail important. Dans le
cadre de ce projet nous explorerons les concepts derrière cette théorie et son
importance dans la mise sur pied d’algorithmes intelligents performants dans le concept
de l’apprentissage automatique.
II. CONCEPTS CLES ET MATHÉMATIQUES
CADRE DE DISCERNEMENT(FRAME OF DISCERNMENT)
Soit X={Xi…Xn} un univers, c’est-à-dire un ensemble contenant tous les
éléments auxquels on s’intéresse. Dans la théorie des probabilités
conventionnelle, l'incertitude sur X est représentée en attribuant des
valeurs de probabilité pi aux éléments Xi, i…n, qui satisfont =1. La
représentation des incertitudes dans la théorie D-S est similaire à celle de
la théorie des probabilités conventionnelle et implique d'affecter des
probabilités à l'espace X. Cependant, la théorie D-S a une nouvelle
caractéristique importante : elle permet d'affecter la probabilité à des
sous-ensembles de X ainsi qu'à l'élément individuel Xi.
ENSEMBLE DE PUISSANCE (POWER SET)
𝑋
m: 2 → [0,1]
m(ϕ) = 0
σ m (A) = 1 , m (A) ≥ 0, ∀ A ∈ 2 𝑋
CROYANCE
La fonction de croyance peut être élaborée en prenant la somme de
toutes les affectations de probabilité de base des sous-ensembles
appropriés (B) de l'ensemble d'intérêt (A). La fonction de croyance
mesure dans quelle mesure les informations fournies par une source de
données soutiennent la croyance en un élément spécifié en tant que
bonne réponse, ainsi:
𝑋
Bel: 2 → [0,1]
Bel(A)=σB⊆A m(B) , ∀ A⊆ X
PLAUSIBILITÉ
La plausibilité, la limite supérieure de l'intervalle, est calculée en prenant
la somme de toutes les affectations de probabilité de base des ensembles
(B) qui coupent l'ensemble d'intérêt (A)(B∩A≠Ø )
𝑋
Pl: 2 → [0,1]
Pl(A)=σB∩A≠Ø m(B)
INTERVALLE D’INCERTITUDE
La théorie de la preuve D-S fournit une généralisation de la théorie des
probabilités où notre connaissance des probabilités d'événements ne
sont pas connues avec précision mais connues dans des intervalles. Selon
cette interprétation, la mesure Pl(A) est la probabilité supérieure du
sous-ensemble A et la mesure Bel(A) est la probabilité inférieure du
sous-ensemble A. Ainsi, la probabilité du sous-ensemble A, Prob(A), est
borné comme suit :
Bel (A) ≤ Prob (A)≤ Pl (A)
La plausibilité et la croyance sont liées :
Pl (A) = 1−Bel(A)
COMBINAISON DE PREUVES ET DE MASSES
Le problème qui se pose maintenant est de savoir comment combiner
deux ensembles indépendants et leurs masses. La règle de combinaison
originale, connue en tant que règle de combinaison de Dempster, est
une généralisation du théorème de Bayes.
Ce théorème met clairement en valeur l’accord entre des sources multiples
et ignore les conflits grâce à un facteur de normalisation. L’utilisation de
ce théorème pose ainsi problème lorsque des conflits significatifs ont lieu
entre différentes sources d’information.
Ici, la combinaison ou masse jointe est calculée à partir des deux
masses m1, m2 de la manière suivante :
DÉFINITION DES CONCEPTS MATHÉMATIQUES ET ALGORITHMIQUES
𝑚1−2 (∅)=0
1
𝑚1−2 (A)= σB∩C=A≠Ø 𝑚1 (B) 𝑚2 (C)
1−𝐾
où
K=σB∩C=Ø 𝑚1 (B) 𝑚2 (C)
k est une mesure du niveau de conflit entre les deux masses. Le facteur de
normalisation k-1 permet d’ignorer ces conflits et d’attribuer toute masse
impliquée dans le conflit à l’ensemble nul.
EXEMPLE ILLUSTRATIF
Lors de l'évaluation des notes de la classe de 100 élèves, deux des enseignants de la classe
ont répondu le résultat global comme suit. Le premier enseignant a estimé que 40
étudiants obtiendraient un A et que 20 étudiants obtiendraient une note B parmi les 60
étudiants qu'il avait interrogés. Alors que le deuxième enseignant a déclaré que 30
étudiants obtiendraient une note A et que 30 étudiants obtiendraient un A ou un B
parmi les 60 étudiants qu'il a passés à l'entretien. En combinant les deux preuves pour
trouver la preuve résultante, nous ferons les calculs suivants. Ici cadre de discernement
θ= {A, B} et ensemble de puissance 2θ = {∅, A, B, A, B },
Preuve (1) =Ev1 Preuve (2) =Ev2
m1(A) = 0,4 m2(A) = 0,3
m1(B) = 0,2 m2 A,B = 0,3
m1(θ) = 0,4 m2(θ) = 0,4
CROYANCE
Bel1 A = m1 A = 0.4 Bel2 A = m2 A = 0.3
Diagnostic
Aide a la decision
Traitement d’images
IV. CONCLUSION
Parvenu au terme de notre travail , il en ressort que la theorie D-S permet de
mettre en place des algorithmes intelligents en ce sens qu’il permet d’integrer
les cas d’incertitudes s’adaptant ainsi a toutes situation réelles dans le
concept de l’apprentissage automatique.
FIN.