Académique Documents
Professionnel Documents
Culture Documents
abdessamad.youssfialaoui@gmail.com
Origines: Ces méthodes ont pris essentiellement leur essor dans le
cadre des approches d'apprentissage automatique (machine learning)
en Intelligence Artificielle.
Remarque:
la donnée d'une description avec la classe correspondante est un exemple.
Exemples:
(30 ans, marié(oui), 8000 DH, oui (classe))
(50 ans, marié(oui), 3000 DH, Non (classe))
Fonctionnement:
Un arbre de décision prend un objet décrit par un ensemble d’attributs
et nous retourne une décision (valeur de sortie prédite), d’après l’exécution
d’une séquence des tests.
L’objectif:
Construire un arbre de décision sert à classifier les objets en utilisant un
algorithme de classification et un ensembles d’exemples bien choisis.
Nœuds: Attributs
Branches: Valeurs prises par les Attributs
Feuilles: Classes
𝐺𝑎𝑖𝑛 𝑝 = 𝐼 𝑝 − 𝑀𝑜𝑦𝑒𝑛𝑛𝑒 𝑝
Or
𝑛
𝑀𝑜𝑦𝑒𝑛𝑛𝑒 𝑝 = 𝑃𝑗 ∗ 𝐼(𝑝𝑗 )
𝑗=1
Où p désigne une position, et Pj est la proportion d'éléments de S à la position p qui
vont en position pj (qui satisfont la j ème branche du test).
Choix des attributs à tester
Pour calculer la fonction I, on peut utiliser l’une des fonctions suivantes:
Fonction Entropie: 𝑐
7 3 4 7 1 6
Moyenne(Humidity)= I , + I ,
14 7 7 14 7 7
5 9 5 9
I(Humidity)=I , =2∗ ∗
14 14 14 14
7 3 4 7 1 6
Moyenne(Humidity)= I , + I ,
14 7 7 14 7 7