Apprentissage d’arbres de décision optimaux grâce à la programmation par contraintes
(2021) Seizième journées Francophones de Programmation par Contraintes (JFPC21) — Location: Nice, France (Online) (22.June.2021)
Files
JFPC21-verhaeghe.pdf
Open Access - Adobe PDF
- 808.08 KB
Details
- Authors
Pesant, Gilles 
Quimper, Claude-Guy
- Abstract
- Les arbres de décision sont parmi les modèles les plus populaires en apprentissage automatique. L’utilisation d’algorithmes gloutons pour les apprendre peut poser plusieurs désavantages : il est difficile de limiter la taille de l’arbre de décision tout en maintenant une bonne qualité de classification, et il est difficile d’imposer de nouvelles contraintes sur le modèle appris. Ces raisons sont à la base de l’émergence d’un intérêt pour des algorithmes exacts et flexibles dans l’apprentissage des arbres de décision. Ce papier résume notre papier "Learning Optimal Decision Trees using contraint Programming", accepté en version journal accéléré à CP2019 [5]. Dans ce papier, nous introduisons une nouvelle approche pour apprendre des arbres de décision en utilisant la programmation par contraintes.
- Affiliations
Citations
Verhaeghe, H., Nijssen, S., Pesant, G., Quimper, C.-G., & Schaus, P. (2021). Apprentissage d’arbres de décision optimaux grâce à la programmation par contraintes. Seizième journées Francophones de Programmation par Contraintes (JFPC21), Nice, France (Online). https://hdl.handle.net/2078.5/269936