0 évaluation0% ont trouvé ce document utile (0 vote) 10 vues2 pagesAa 2
Copyright
© All Rights Reserved
Formats disponibles
Téléchargez aux formats PDF ou lisez en ligne sur Scribd
Université Ferhat Abbas - Sétif 1
Faculté des sciences - Département d’informatique
Master IDTW Module : Apprentissage automatique 2
Documents non autorisés
La copie du voisin n'est pas un document autorisé
Questions de cours (6 pis: 1+ 1414142)
1) Expliquer comment peut-on obtenir les régles de décision aprés la construction
d'un arbre de décision.
2) Donner Vinconvénient majeur de la mesure d’entropie pour choisir la meilleure
scission pendant la construction de Varbre de décision.
3) Donner Vinconvénient majeur de la classification bayésienne naive et donnez la
solution alternative pour éviter cet inconvénient.
4) Quel est Vintérét d’élaguer un arbre de décision ?
5) Citer et expliquer le fonctionnement de 3 algorithmes de recommandation.
Esercice 1- SVM (8 pts:1+14+154154+2+41)
Soit un ensemble de données étiquettées {(x;,yi) € & x V}ia,...n avec Y = {-1, +1}.
On cherche a résoudre un probléme SVM oi on utilise un terme de régularisation C; spécifique
pour chaque point 2. Le probléme d’apprentissage est alors
minws¢ ple? + Dir Ck
8c. i ((w, 24) +b) 21-& WV
&20 Vv
Dans cette formulation du probléme, les é; représentent les variables d’écart, les paramétres
C; représentent les termes de régularisation fixés par l'utilisateur,
“yn
1, Exprimer le lagrangien £ correspondant ce probléme.
2. Exprimer les conditions d’optimalité du lagrangien par rapport aux variables primales w, b, &.
3. Donner la formulation du probléme dual. Quelle méthode connaissez-vous pour résoudre ce
probléme dual ?
4. Proposer une facon de calculer le paramétre b.
5. On note respectivement D+ = {(2i,4i),ui = 1} et D™ = {(ai, yi), yi = —1)} les en-
sembles de points des classes "positive" et "négative". On considére C; = C., Vi € D* et
= Co VE ee
En s’inspirant de la question 1, donner la nouvelle formulation du probléme SVM. Que
devient le probléme dual?
6. Expliquer le r6le de la variable C par rapport & sa taille.
4/2 Ezercice 2 - Motifs fréquents (6 pts: 1+2+1+ 2)
Soit le treillis suivant représentant les motifs obtenus a partir des items A,B,C et B avec
leurs fréquences:
ABCE (2)
ABC (2) ABE (2) ACE (2) BCE (3)
ACG) ABQ) AE() BE @) BC @) CEG)
isa we
AQ) c@) BG) E@)
26)
En supposant que la fréquence minimale est de 3 et que la confidence minimale est de
0.8, donner :
1) Lensumble des motifs fréquents:
2) Les motifs fréquents fermés et les motifs fréquents marimauc.
3) Les motifs rares.
4) Les régles solides obtenus 4 partir du motif fréquent maximal le plus long.
Définitions :
Une base de données formelle s'appuie sur le produit, cartésien O x A associé & une relation R, od
O=f{01, 02, «-s On} est un ensemble d’objets, A={ar, 02, .., oa} est un ensemble attributs et RS O
x A est une relation telle R(0s; a) signifie que Vobjet o, posséde Vattribut o,
Un ensemble d’atiributs forme un motif dont la taille est le nombre d’attributs qui le composent.
Le support d'un motif P correspond au nombre d’objets contenant le motif et un motif est fréquent
si son support est supérieur ou égal dun seuil de fréquence minimum donné (noté minsupp).
La recherche de motifs fréquents consiste & engendrer tous les motifs dont le support est supérieur
ow égab ou seuil minsupp.
Un motif P est dit fermé s'il n’existe aucun super-motif Q de P (P © Q) de méme support.
Un motif est dit rare ou non fréquent si son support est inférieur ou égal dun support macimum,
noté mazsupp. Généralement la valeur de massupp se calcule partir de celle de minsupp, a.
savoir mazsupp = minsupp - 1. La recherche de motifs rares consiste a engendrer tous les motifs
dont le support est inférieur ou égal au seuil mazsupp.
Un motif est un motif frequent mazimal s'il est fréquent et si tous ses super-motifs ne sont pas
frequents,
Les regles qui dépassent un minimum de support et un minimum de confidence sont
appelées régles solides.
2/2
Vous aimerez peut-être aussi