Étude comparative des méthodes de

classification de machine learning et de deep

learning
GBODJO Junior - SAMAKE Adama

1 Introduction tructions strictes, les algorithmes de machine lear-

L’augmentation de la quantité de données au fil
des ans dans de nombreux domaines tels que la
santé, l’industrie ou la finance, a donné place à un
enjeu crucial qu’est l’analyse et le traitement auto-
matisé de ces données pour en extraire des informa-
tions significatives. Différentes méthodes existent
mais nous nous intéresserons aux techniques de
classification en machine learning et en deep lear-
ning. Cette étude comparative vise l’analyse des
méthodes de classification issues de ces deux do-
maines, ainsi que l’évaluation des performances de
chaque approche. Nous chercherons à dégager des
informations essentielles pour guider dans le choix
et la mise en œuvre de méthodes de classification
en fonction des différents scénarios et des spéci-
ficités des données. Dans notre article, première-
ment nous présenterons les différentes techniques
de classification et leurs mesures de performances.
Deuxièmement, nous discuterons des travaux déjà
effectués dans les différents domaines, ensuite nous
présenterons les résultats de ces différentes études
tout en les comparant. Pour finir nous aborderons
la conclusion et les perspectives d’amélioration du
travail.
ning utilisent des modèles statistiques pour recon-
naître des schémas et des relations au sein des
données. Ces modèles sont ensuite utilisés pour
prendre des décisions, effectuer des prédictions ou
résoudre des problèmes. Les algorithmes d’appren-
tissage peuvent se catégoriser selon le mode d’ap-
prentissage qu’ils emploient. Il y a trois tech-
niques de Machine Learning : l’apprentissage su-
pervisé, l’apprentissage non-supervisé, et l’appren-
tissage par renforcement. Dans le cas de l’appren-
tissage supervisé, les données sont étiquetées afin
d’indiquer à la machine quelles patterns elle doit
rechercher. Si les classes sont prédéterminées et les
exemples connus, le système apprend à classer se-
lon un modèle de classification ou de classement ; on
parle alors d’apprentissage supervisé ou d’analyse
discriminante. Par contre dans le cas de l’appren-
tissage non supervisé, les algorithmes apprennent à
trouver des schémas ou des groupes dans les don-
nées non étiquetées avec très peu d’intervention hu-
maine. Voici quelques algorithmes de classification
de machine learning : KNN (K-Nearest Neighbor),
decision tree (arbre de decision), SVM (Support
Vector Machine), Logistic Regression (Regression
Logistique), K-means.

Le deep learning ou apprentissage profond, est

2 Généralités une branche avancée du machine learning axée
sur l’utilisation de réseaux de neurones artificiels
Le machine learning ou apprentissage automa- pour apprendre des représentations hiérarchiques
tique, est un champ d’étude de l’intelligence arti- des données. Les algorithmes de Deep Learning
ficielle qui se fonde sur des approches mathéma- sont basés sur des réseaux de neurones artificiels
tiques et statistiques pour donner aux ordinateurs qui imitent le fonctionnement du cerveau humain.
la capacité d’« apprendre » à partir de données, Ces réseaux sont constitués de nombreuses couches
c’est-à-dire d’améliorer leurs performances à ré- de neurones artificiels qui fonctionnent ensemble
soudre des tâches sans être explicitement program- pour apprendre et traiter l’information. Il nécessite
més pour chacune. Plutôt que de suivre des ins- souvent des quantités massives de données et de

1
puissance de calcul pour fonctionner efficacement.
L’apprentissage profond est utilisé dans une variété
de domaines, tels que la reconnaissance d’images,
la reconnaissance de caractères manuscrits, etc. Le
processus d’apprentissage est qualifié de profond
parce que la structure des réseaux neuronaux ar-
tificiels se compose de plusieurs couches d’entrée,
de sortie et masquées. Chaque couche contient des
unités qui transforment les données d’entrée en in-
formations que la couche suivante peut utiliser une
tâche prédictive spécifique. Grâce à cette structure,
une machine est capable d’apprendre au travers de
son propre traitement de données. Voici quelques
algorithmes de classification de deep learning : Ré-
seaux neuronaux convolutifs (CNN ou Convolutio-
nal Neural Network), ANN (Artificial Neural Net-
work), MLP (Multi-Layer Perceptron).
3 Buts et objectifs
Cet article vise l’évaluation de la performance des sitifs sont coûteux ou indésirables. Cependant, elle
techniques de classification de machine learning et peut être trompeuse dans certains cas, notamment
de deep learning.
Dans les divers domaines, on fournira les in-
formations sur les techniques de classification em-
ployés. Ensuite nous les comparerons en indiquant
les avantages et les limites de chacune.
Pour finir nous donnerons notre avis concernant
le choix d’une technique de classification basé sur
la revue de littérature effectuée.
4 Mesures d’évaluation de per-
formance
Dans cette section, nous définirons les mesures
couramment utilisées pour évaluer la performance
des algorithmes de machine learning et de deep lear-
ning. Il est à noter que la comparaison des diffé-
rentes techniques de classification est l’objectif re-
cherché.
4.1 Accuracy
C’est une mesure de performance couramment ainsi plus de poids aux valeurs faibles. Sa formule
utilisée pour évaluer la qualité d’un modèle de clas- est la suivante :
sification. Elle représente le nombre de prédictions
correctes effectuées par le modèle sur l’ensemble des
prédictions effectuées. Sa formule est la suivante :
prédictions correctes
Accuracy =
total de prédictions effectuées
Bien qu’elle soit simple à comprendre, dans cer-
taines situations, elle peut prêter à confusion, en
particulier lorsque les classes ne sont pas équili-
brées.
4.2 Precision
Comme l’accuracy, elle est couramment utilisée
comme mesure. Elle évalue la proportion d’ins-
tances correctement prédites en tant que positive
parmi toutes les instances prédites comme positives
par le modèle. Sa formule est :
vrais positifs
Précision =
vrais positifs + faux positifs
Elle est particulièrement utile lorsque les faux po-
lorsque les classes sont déséquilibrées.
4.3 Recall
Encore appelé rappel en français, il représente le
nombre de vrais positifs parmi tous les exemples
positifs réels, permet de savoir le pourcentage de
positifs bien prédit par le modèle de classification.
Sa formule est la suivante :
vrais positifs
Rappel =
vrais positifs + faux négatifs
Le recall est particulièrement important lorsque la
détection de toutes les instances positives est cru-
ciale. Par exemple, dans le domaine médical, il peut
être essentiel de détecter tous les cas de maladie,
même au risque d’avoir un certain nombre de faux
positifs.
4.4 F1-score
Le F1-score est calculé en utilisant la moyenne
harmonique de la précision et du rappel, donnant
Précision × Rappel
F 1-score = 2 ×
Précision + Rappel
2
Une valeur de F1-score proche de 1 indique une
bonne performance du modèle, avec un équilibre
entre la précision et le rappel. Il convient de noter
que le F1-score est une mesure spécifique à la clas-
sification binaire. Pour les problèmes de classifica-
tion multiclasse, il existe des variantes du F1-score,
telles que le F1-score macro et le F1-score pondéré,
qui prennent en compte les différentes classes.
4.5 Courbe ROC
ROC ou Receiver Operating Characteristics est
une méthode de conceptualisation, d’organisation
et de sélection des classificateurs sur la base de leur
performance. C’est un tracé graphique qui illustre
la capacité de diagnostic d’un système de classifica-
tion. La courbe ROC est le tracé du taux de vrais
positifs par rapport au taux de faux positifs. Un
graphique ROC décrit les compromis relatifs entre
les avantages (vrais positifs) et les coûts (faux posi-
tifs). Cependant, pour résumer la performance d’un
modèle avec un seul nombre, on utilise générale-
ment l’aire sous la courbe ROC (AUC-ROC). Une
AUC-ROC proche de 1 indique une excellente capa-
cité de distinction de classes, tandis qu’une valeur
proche de 0,5 indique une performance comparable
à celle d’un classificateur aléatoire.
5 État de l’art
L’apprentissage automatique est une technique
de plus en plus utilisée dans le domaine médical
pour la prédiction de diverses maladies, y compris
les maladies cardiaques. Les chercheurs ont uti-
lisé l’ensemble de données de Cleveland pour en-
traîner différents modèles d’apprentissage automa-
tique, tels que la régression logistique et les ma-
chines à vecteurs de support (SVM), et des mo-
dèles d’apprentissage profond comme les réseaux
de neurones pour la prédiction des maladies car-
diaques. Les chercheurs Divyansh Khanna, et al.
[2] ont utilisé des mesures d’évaluation telles que la
precision, le score F1 et les courbes ROC pour com-
parer l’exactitude des différents modèles. Les résul-
tats de l’étude ont montré que les modèles moins
complexes (Machine learning) étaient plus précis
dans la prédiction des maladies cardiaques que les
modèles plus complexes (Deep learning). Ainsi les
techniques de classification traditionnelles sont plus
3
adéquates dans ce cas précis.
D’autres part des recherches ont été menées dans
le domaine de la vision par ordinateur pour la
classification d’objets 2D en utilisant des tech-
niques d’apprentissage automatique et d’apprentis-
sage profond. Une version modifiée du jeu de don-
nées de panneaux de signalisation routière belges
(Belgium Traffic Sign dataset) a été utilisé pour
tester leurs modèles. Leur version personnalisée du
jeu de données contient plusieurs images de dif-
férents panneaux de signalisation routière répar-
tis en 34 classes, avec un total de 3056 images
dans l’ensemble de données d’entraînement et 2149
images dans l’ensemble de données de test. Les
chercheurs Efstathios Karypidis, et al.[1] ont uti-
lisé plusieurs techniques de machine learning, no-
tamment celui du K-NN (K-Nearest Neighbor) et
celui du SVM (Support Vector Machine). En ce
qui concerne les techniques de Deep Learning, ils
ont utilisé : les réseaux de neurones convolution-
nels (CNN). Après comparaison des résultats de
leurs modèles personnalisés de CNN avec les ré-
sultats des méthodes de machine learning tradi-
tionnelles. Les réseaux de neurones convolutionnels
(CNN) ont obtenu des résultats significativement
meilleurs en termes d’exactitude et d’efficacité com-
putationnelle. En particulier, leur modèle person-
nalisé de CNN a atteint des niveaux de précision
légèrement supérieurs à 90 %, ce qui est compa-
rable aux résultats des récents progrès scientifiques
dans le domaine.
Par contre une étude comparative de huit al-
gorithmes d’apprentissage automatique qui réalisé
par Ratna Patil, et al.[4] favorise l’apprentissage
machine traditionnel. Les huit algorithmes sont :
régression logistique, KNN, SVM (Support Vector
Machine), arbre de décision (Decision tree), MLP
(Multi-Layer Perceptron) qui est un type d’algo-
rithme ANN, Random Forest et Bayes naïf gaus-
sien (Gaussian Naïve). Les chercheurs ont utilisé
un ensemble de données Pima Indian Diabetes ex-
trait du référentiel UCI pour évaluer les perfor-
mances des différents algorithmes de classification.
Les performances ont été mesurées en termes de
MAE, RMSE, ROC, exactitude du test, précision
et rappel obtenus à partir de l’ensemble de test.
Les résultats ont montré les performances des dif-
férents algorithmes en termes de précision, d’erreur
absolue moyenne (MAE) et de RMSE (Root Mean
Square Error). La régression logistique a obtenu la
précision la plus élevée de 79,54 %, avec une er-
reur absolue relative de 21,65 % et une RMSE de
46,52 % suivis de près par le Bayes naïf gaussien et
le réseau neuronal. Les autres algorithmes ont éga-
lement obtenu des performances raisonnables mais
légèrement inférieures. Ce qui montrent ici que la
régression logistique est l’algorithme de classifica-
tion le plus performant pour la prédiction des cas
de diabètes.
En 2021, les chercheurs Azar Abid Salih et Ad-
nan Mohsin Abdulazeez [5] ont réalisés une étude
comparative de quelques algorithmes de machine
learning à savoir le Decision Tree (DT) , Random
Forest, SVM (Support Machine Learning), KNN
(K-Nearest Neighbor), Naïve Bayes, et Logistic Re-
gression (LR). Ils ont utilisé un ensemble de don-
nées KDD’99 cup (ensemble de données populaire
utilisé pour le système de détection d’intrusion).
Après comparaison des résultats obtenus des diffé-
rents algorithmes de machine learning, ils ont re-
marqué que le Random Forest a obtenu la plus
grande précision pour classer différents types d’at-
taques. Il est à noter que la plupart des chercheurs
ont utilisé un algorithme de classification hybride
pour construire des systèmes de détection d’intru-
sion plutôt que la classification individuelle.
6 Comparaison et discussion
Dans cette section, nous allons comparer les per-
formances des méthodes de classification de ma-
chine learning et de deep learning en se basant sur
les résultats présentés dans la section précédente.
Nous allons discuter des avantages et des limites
de chaque approche, ainsi que des scénarios dans
lesquels l’une ou l’autre méthode pourrait être pré-
férable.
L’état de l’art nous montre des résultats variés en
fonction des domaines et des ensembles de données
utilisés. Dans certains cas, les méthodes de classifi-
cation traditionnelles telles que la régression logis-
tique et les machines à vecteurs de support (SVM)
ont montré des performances comparables voire su-
périeures à celles des méthodes de deep learning,
comme dans le domaine médical. Cela peut s’ex-
pliquer par le fait que les ensembles de données
peuvent être de taille relativement petite et que les
modèles plus simples sont suffisamment capables de
capturer les motifs présents.
4
D’autre part, dans des domaines tels que la vi-
sion par ordinateur, les réseaux de neurones convo-
lutionnels (CNN) ont montré des résultats remar-
quables en termes de précision et d’efficacité com-
putationnelle. Leur capacité à apprendre des re-
présentations hiérarchiques à partir des données a
permis d’atteindre des niveaux de performance dif-
ficiles à égaler par les méthodes traditionnelles de
machine learning.
Cependant, il est important de noter que le
choix entre les méthodes de classification de ma-
chine learning et de deep learning dépendra for-
tement du contexte spécifique de la tâche, de la
taille des données, de la disponibilité des ressources
de calcul et des exigences de performance. Dans
certains cas, où l’interprétabilité du modèle est
cruciale, les méthodes de machine learning tradi-
tionnelles pourraient être privilégiées. En revanche,
pour des tâches complexes impliquant des données
non structurées comme des images, le deep learning
pourrait offrir une meilleure solution.
7 Conclusion
Cet article a abordé une étude comparative des
méthodes de classification de machine learning et
de deep learning. Nous avons présenté les concepts
de base du machine learning et du deep learning,
ainsi que les mesures d’évaluation de performance
couramment utilisées pour évaluer ces méthodes. À
travers l’examen de travaux de recherche existants,
nous avons observé que les performances varient en
fonction du domaine d’application, de la taille des
données et des spécificités des ensembles de don-
nées.
Il est essentiel de comprendre que le choix entre
les méthodes de classification ne doit pas être basé
sur une approche unique, mais plutôt sur une éva-
luation minutieuse des avantages et des limites de
chaque méthode en fonction des besoins spécifiques
de la tâche. En outre, des recherches continues dans
le domaine du machine learning et du deep lear-
ning sont nécessaires pour explorer de nouvelles
techniques et améliorer encore davantage les per-
formances des modèles de classification.
En fin de compte, cette étude comparative four-
nit des éclaircissements importants pour les prati-
ciens et les chercheurs qui souhaitent choisir et ap-
pliquer efficacement des méthodes de classification
dans divers domaines d’application.

Références
[1] Efstathios Karypidis, Stylianos G. Mouslech,
Kassiani Skoulariki, and Alexandros Gazis.
Comparison Analysis of Traditional Machine
Learning and Deep Learning Techniques for
Data and Image Classification. WSEAS TRAN-
SACTIONS ON MATHEMATICS, 21 :122–
130, March 2022.
[2] Divyansh Khanna, Rohan Sahu, Veeky Baths,
and Bharat Deshpande. Comparative Study of
Classification Techniques (SVM, Logistic Re-
gression and Neural Networks) to Predict the
Prevalence of Heart Disease. International
Journal of Machine Learning and Computin, 5,
October 2015.

[3] lgayhardt. Apprentissage profond et appren-

tissage automatique - Azure Machine Learning,
June 2023.
[4] Ratna Patil and Sharavari Tamane. A Compa-
rative Analysis on the Evaluation of Classifica-
tion Algorithms in the Prediction of Diabetes.
International Journal of Electrical and Compu-
ter Engineering (IJECE), 8(5) :3966, October
2018.
[5] Azar Abid Salih and Adnan Mohsin Abdula-
zeez. Evaluation of Classification Algorithms
for Intrusion Detection System : A Review.
Journal of Soft Computing and Data Mining,
2(1) :31–40, April 2021. Number : 1.
[6] Wikipédia. Apprentissage automatique — Wi-
kipédia, 2023.

[7] Wikipédia. Apprentissage profond, July 2023.

Page Version ID : 206515698.