2.1 Introduction

On va le processus de machine learning complet avec un arbre de décision.

2.2 Tâche

Dans un permier temps, on doit définir la tâche de classification:

• Type de tâche: ici, il s’agit d’une classification
• Données
• Variable cible
• classe positive à préciser si nécessaire

2.3 Algorithme

On va utiliser l’arbre de décision dans un premier temps, et on verra les autres algorithmes ultérieurement. On doit aussi préciser la base d’apprentissage et la base de test.

2.4 Apprentissage du modèle

On peut maintenant créer un modèle de prédiction, avec les données d’apprentissage. On doit préciser les éléments suivants qui ont été définis précédémment:

• la tâche,
• l’algorithme
• la base d’apprentissage

2.5 Prédiction

On peut maintenant prédire des résultats sur la base de test, ainsi, on doit préciser les éléments suivants:

• la tâche
• le modèle
• la base de test

2.6 Validation

On évalue la performance de la prédiction. Comme c’est une classification, on peut voir la matrice de confusion.

##         predicted
## true       No Yes -err.-
##   No     1555 166    166
##   Yes     333 294    333
##   -err.-  333 166    499

On peut également obtenir d’autres éléments de performance comme le taux de précision. On verra d’autres mesures par suite.

##       acc 
## 0.7874787

3.1 Algorithmes de classification

3.2 Comparaison performance

## # weights:  97
## initial  value 2724.872852 
## iter  10 value 2689.101826
## iter  20 value 2456.206010
## iter  30 value 2404.224637
## iter  40 value 2282.191251
## iter  50 value 2216.915890
## iter  60 value 2038.355409
## iter  70 value 2003.589900
## iter  80 value 1996.909234
## iter  90 value 1993.940926
## iter 100 value 1984.536877
## final  value 1984.536877 
## stopped after 100 iterations
## Distribution not specified, assuming bernoulli ...