Apprentissage d'Ensemble de Règles par Analyse de Concepts Formels

Mes recherches s'inscrivent dans le cadre de l'amélioration de la performance d'un classifieur basé sur l'Analyse de Concepts Formels par des techniques d'ensemble. Nos travaux consistent alors à chercher et à élaborer de nouvelles approches et techniques dans le domaine de l'apprentissage supervisé. Récemment, un grand nombre de travaux en apprentissage supervisé ont porté sur les méthodes dites d'ensembles: séquentielles et parallèles. Nous avons proposé une approche adaptative d'apprentissage séquentiel de règles de classification basée sur le Boosting de Concepts Formels. Sachant que le Boosting favorise activement la diversité des classifieurs, nous avons proposé d'arrêter le Boosting des classifieurs dès que l’ensemble de classifieurs commence à perdre leur diversité. Cette approche de Boosting a la particularité de décider le nombre d’itérations selon la diversité évolutive des classifieurs générés. Des travaux récents encouragent l'utilisation de l'apprentissage parallèle et en particulier l’apprentissage à partir des données stratifiées. Nous avons proposé une approche pour générer des ensembles de classifieurs parallèles.