Renforcement de l'Apprentissage Structurel pour la reconnaissance du Diabète
Résumé
Interpretability represents the most important driving force behind the implementation of fuzzy-based classifiers for medical application problems. The expert should be able to understand the classifier and to evaluate its results. Fuzzy rule based models are especially suitable, because they consist of simple linguistically interpretable rules. The majority of classifiers based on an adaptive neuro-fuzzy inference system (ANFIS) used in literature do not provide enough explanation of how their inference results have been obtained. This Magister thesis discusses the possibility to increase the interpretability of ANFIS classifier by the hybridation with the clustering method Fuzzy C means. It is shown how a readable neuro-fuzzy classifier can be obtained by a learning process and how fuzzy rules extracted can enhance its interpretability. Experimental results show that the proposed fuzzy classifier can achieve a good tradeoff between the accuracy and interpretability. Also the basic structure of the fuzzy rules which were automatically extracted from the UCI Machine learning database shows strong similarities to the rules applied by human experts. Results are compared to other approaches in the literature. The proposed approach gives more compact, interpretable and accurate classifier.
L'intelligibilité représente la force motrice la plus importante derrière la mise en œuvre des classifieurs à base flous pour les problèmes d'application médicale. L'expert devrait être capable de comprendre le classifieur et d'évaluer ses résultats. Les modèles à base de règles floues sont particulièrement adaptés, car ils sont constitués de simples règles linguistiques interprétables. Dans la littérature, la majorité des algorithmes basés sur un système d'inférence neuro-flous adaptatifs (ANFIS) ne fournissent pas suffisamment d'explications sur la façon d'obtenir les résultats d'inférence. Ce mémoire de Magister traite la possibilité d'augmenter l'interprétabilité du classifieur ANFIS avec l'apport de la méthode de clustering Fuzzy C-Means . Il montre comment un classifieur neuro-flou interprétable peut être obtenu par un processus d'apprentissage et comment les règles floues extraites peuvent améliorer son interprétation. Les résultats expérimentaux appliqués sur la base de données du diabète (UCI Machine Learning) montrent de fortes similitudes avec les règles appliquées par les experts. Les résultats sont comparés à d'autres travaux dans la littérature. L'approche proposée est simple et efficace pour clarifier la décision finale du classifieur, tout en préservant sa précision à un niveau satisfaisant.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...