Sélection de variables en apprentissage d’ordonnancement. Évaluation des SVM pondérés

Résumé : Sélectionner les caractéristiques les plus utiles et les moins redondantes au sein des fonctions d’ordonnancement et réduire les temps d’exécution sont des enjeux en apprentissage d’ordonnancement. Les algorithmes de sélection de variables basés sur les SVM régularisés sont des approches prometteuses dans ce cadre. Dans cet article, nous proposons de nouvelles méthodes de sélection de variables en apprentissage d’ordonnancement basées sur des approches de pondération des SVM en norme ℓ2. Nous proposons une adaptation d’une méthode ℓ2-AROM qui résout des SVM en norme ℓ0 et un algorithme de pondération de la norme ℓ2 qui résout les problèmes en norme ℓ0 et ℓ1. Nos évaluations sur des jeux de données industriels et de référence montrent que les méthodes proposées sont jusqu’à 7 fois plus rapides et 10 fois plus parcimonieuses que l’état de l’art, pour des qualités d’ordonnancement équivalentes.
Type de document :
Article dans une revue
Revue des Sciences et Technologies de l'Information - Série Document Numérique, Lavoisier, 2015, 18 (1), pp.97-121. 〈10.3166/dn.18.1.97-121〉
Liste complète des métadonnées

https://hal.inria.fr/hal-01259566
Contributeur : Léa Laporte <>
Soumis le : mercredi 20 janvier 2016 - 16:01:52
Dernière modification le : vendredi 14 septembre 2018 - 09:16:06

Identifiants

Citation

Léa Laporte, Sébastien Déjean, Josiane Mothe. Sélection de variables en apprentissage d’ordonnancement. Évaluation des SVM pondérés. Revue des Sciences et Technologies de l'Information - Série Document Numérique, Lavoisier, 2015, 18 (1), pp.97-121. 〈10.3166/dn.18.1.97-121〉. 〈hal-01259566〉

Partager

Métriques

Consultations de la notice

425