Exploration de données d'objets à l'aide d'un algorithme génétique

Les réseaux neuronaux artificiels (ANN) sont devenus un outil puissant de prise de décision. Il possède de nombreuses qualités, qui peuvent facilement attirer l'utilisateur, telles que la capacité d'apprendre à partir de différentes données dynamiques obtenues par ajustement interne du poids, la facilité et la rapidité de calcul, la robustesse de la solution en présence de bruit et la précision de la solution lorsqu'elle est utilisée sur un ensemble d'exemples inédits dans le domaine du problème. Cependant, il présente un gros inconvénient de fonctionnement, car il s'agit d'une technologie de type "boîte noire" dont l'entrée est fournie à un réseau entraîné, qui est traité de manière opaque. En raison de ce manque de transparence, les structures de réseau sont confuses. En outre, les réseaux à couches multiples et récurrents compliquent les problèmes, en particulier lorsque des algorithmes génétiques produisent les poids des ANN, car une connaissance directe du fonctionnement concret est nécessaire. Certaines techniques comme CART et C 4.5 ont produit des modèles transparents qui fournissent des résultats compréhensibles, mais ils ne sont pas si précis. Nous voudrions montrer une certaine perspective sur l'extraction de règles (RE) par laquelle nous pouvons ajouter des facilités d'explication aux ANN.