Prévison de date de passage des jalons avec les méthodes de machine learning

Chapitre III

Techniques de traitement

Sommaire

III.1 Introduction 40

III.2 Machine Learning 40

III.3 Apprentissage supervisé 40

III.4 Régression ou classification 40

III.4.1 Problème de classification 40

III.4.2 Problème de régression 41

III.5 Algorithmes linéaires ou non linéaires 41

III.6 Modèles paramétriques ou non paramétriques 41

III.7 Apprentissage hors ligne ou incremental 41

III.8 Modèles géométriques ou probabilistes 42

III.9 Les principaux algorithmes 42

III.9.1 La régression linéaire 42

III.9.2 Les K plus proches voisins 43

III.9.3 Les arbres de décision 43

III.9.4 Les forêts aléatoire 44

III.9.5 Les machines à vecteurs de support 44

III.9.6 MLP 45

40 CHAPITRE III. TRAITEMENT

Amassin NACERDDINE Université Paris 8 Vincennes

III.1 Introduction

Dans cette section je vais présenter une étude bibliographique sur les travaux connexes au notre ainsi que les modèles de machine learning notamment les deux approches dont le problème peut être traité.

III.2 Machine Learning

Le machine learning (ML) est un ensemble d'outils statistiques et d'algorithmes informatiques qui permettent d'automatiser la construction d'une fonction de prédiction f à partir d'un ensemble d'observation que l'on appelle ensemble d'appren-tissage.

On peut donc considérer le ML comme étant une discipline hybride entre plusieurs sciences et techniques qui sont l'analyse statistique,l'intelligence artifi-cielle(IA) et l'IT.(LEMBERGER , 2022)

III.3 Apprentissage supervisé

L'apprentissage supervisé est la forme la plus courante du ML.

Elle présuppose que l'on dispose pour un ensemble de variables prédictives x1...x_n les valeurs de variables cibles y1...y_n

Comme indiqué dans le chapitre précédent nous disposons d'un jeux de données avec 500 000 tickets dont nous connaissons le temps de traitement.

III.4 Régression ou classification III.4.1 Problème de classification

Nous pouvons voir le problème comme étant un problème de classification,ou nous devons classer les tickets selon leur temps de traitement.

Les variables cibles sont ici qualitatives.Elles définissent une catégorie ou des classes. (Dans notre cas la catégorie du ticket T.long,long,moyen,court).

III.5 Algorithmes linéaires ou non linéaires 41

III.4.2 Problème de régression

Le problème peut également être vu comme un problème de régression.

Les variables cibles sont alors quantitative.Ce sont des variables numériques qui correspondent a des quantités.(Dans notre cas une durée en jours)

III.5 Algorithmes linéaires ou non linéaires

Un algorithme linéaire est par définition un algorithme dont la fonction de prédiction f est une fonction de combinaison linéaire des variables prédictives _a1x1 + ... + _anxn (MITCHELL , 2005). Considérée comme étant la technique la plus célèbre de la recherche opérationnelle.(SAKAROvITCH , 1984)

Quant aux algorithmes non linéaires ils visent a trouver l'optimum d'une fonction non linéaire sur un sous ensemble convexe ou non d'un espace de donnée.(OuRIEMCHI , 2005)

Les problèmes d'optimisation s'écrivent souvent sous la forme suivante:

? ? ? Min f(x) ?? ????? sous contraintes ??h(x) = 0 ? ????? g(x) ? 0

f : R^n? R h : R^n? Rp g : R^n? R^mx ? Rn