Amélioration des Performances des Classifieurs

La performance d-une méthode de classification est d-un grand intérêt pour le choix, la comparaison et la validation des algorithmes de classification. La lisibilité des résultats et la réduction du cout d-échec total de la classification sont d-une importance cruciale pour l-amélioration de la performance des classifieurs. Dans cet ouvrage, nous proposons principalement deux approches de résolution à travers la description d-un modèle d-optimisation métaheuristique baptisé ProSadm-HBA (ProSadm : Programmation d-un Système d-Aide au Diagnostic Médical, en conjonction avec la métaheuristique HBA : Homogeneity Based-Algorithm) et F-HBA ( Fuzzy Homogeneity Based-Algorithm). Nous avons validé nos résultats expérimentaux sur des bases de données médicales connues : Pima (Diabètes), TH (Troubles Hépatiques), AP (Appendicite). Les approches développées permettent de minimiser le nombre total d-échecs de la classification (ProSadm-HBA) tout en respectant la contrainte d-interprétabilité des classifieurs (F-HBA). Ces contributions peuvent être d-un grand intérêt pour les experts dans le domaine médical.

Fatima Bekaddour est titulaire d'un diplôme de magister, spécialité informatique. Universitaire et jeune chercheur a l'université de Tlemcen, préparant sa thèse de doctorat. Ses intérêts de la recherche incluent sur les techniques d'optimisations des classifieurs des données médicales, intelligence artificielle et méta-heuristiques.