Classification à base de clustering ou décrire et prédire simultanément

Résumé : Dans certains domaines applicatifs, la compréhension (la description) des résultats issus d’un classifieur est une condition aussi importante que sa performance prédictive. De ce fait, la qualité du classifieur rèside donc dans sa capacité à fournir des résultats ayant de bonnes performances en prédiction tout en produisant simultanément des résultats compréhensibles par l’utilisateur. On parle ici du compromis interprétation vs. performance des modéles d’apprentissage automatique. Dans cette thèse, on s’intéresse à traiter cette problématique. L’objectif est donc de proposer un classifieur capable de décrire les instances d’un problème de classification supervisée tout en prédisant leur classe d’appartenance (simultanément).