Classification par portée à partir de règles et d'exemples
Identifieur interne : 000B80 ( PascalFrancis/Corpus ); précédent : 000B79; suivant : 000B81Classification par portée à partir de règles et d'exemples
Auteurs : N. Lachiche ; P. MarquisSource :
Descripteurs français
- Pascal (Inist)
English descriptors
- KwdEn :
Abstract
Dans cet article, nous présentons une extension aux règles d'une technique de classification introduite récemment, la classification par portée. Cette technique est une approche à base d'instances mais elle possède une caractérisation à base de règles. Afin d'améliorer l'intelligibilité et l'efficacité des classifieurs obtenus par classification par portée à partir d'exemples seuls, nous généralisons les exemples en règles en utilisant la classification par portée lors d'une phase d'apprentissage. Les règles ainsi engendrées et les exemples restants (et éventuellement des règles additionnelles fournies par l'utilisateur) constituent un nouvel ensemble d'apprentissage sur la base duquel la classification par portée étendue fonctionne. Expérimentalement, nous montrons que des gains en intelligibilité, efficacité et même en précision sont possibles.
Notice en format standard (ISO 2709)
Pour connaître la documentation sur le format Inist Standard.
pA |
|
---|
Format Inist (serveur)
NO : | PASCAL 98-0522300 INIST |
---|---|
FT : | Classification par portée à partir de règles et d'exemples |
ET : | (Scope classification learning from rules and instances) |
AU : | LACHICHE (N.); MARQUIS (P.) |
AF : | CRIN/CNRS - INRIA Lorraine, Bâtiment LORIA, B.P. 239/54506 Vandœuvre-lès-Nancy/France (1 aut.); CRIL/Université d'Artois, Rue de l'Université, S.P. 16/62307 Lens/France (2 aut.) |
DT : | Congrès; Niveau analytique |
SO : | Reconnaissance des formes et intelligence artificielle. Congrès/11/1998-01-20/Clermont Ferrand FRA; France; Paris: AFCET; Da. 1997; Pp. 149-158 |
LA : | Français |
FA : | Dans cet article, nous présentons une extension aux règles d'une technique de classification introduite récemment, la classification par portée. Cette technique est une approche à base d'instances mais elle possède une caractérisation à base de règles. Afin d'améliorer l'intelligibilité et l'efficacité des classifieurs obtenus par classification par portée à partir d'exemples seuls, nous généralisons les exemples en règles en utilisant la classification par portée lors d'une phase d'apprentissage. Les règles ainsi engendrées et les exemples restants (et éventuellement des règles additionnelles fournies par l'utilisateur) constituent un nouvel ensemble d'apprentissage sur la base duquel la classification par portée étendue fonctionne. Expérimentalement, nous montrons que des gains en intelligibilité, efficacité et même en précision sont possibles. |
CC : | 001D02C02 |
FD : | Système intelligent; Classification automatique; Programmation logique; Algorithme apprentissage; Plus proche voisin |
ED : | Intelligent system; Automatic classification; Logical programming; Learning algorithm; Nearest neighbour |
SD : | Sistema inteligente; Clasificación automática; Programación lógica; Algoritmo aprendizaje; Vecino más cercano |
LO : | INIST-Y 31889.354000076387380130 |
ID : | 98-0522300 |
Links to Exploration step
Pascal:98-0522300Le document en format XML
<record><TEI><teiHeader><fileDesc><titleStmt><title xml:lang="fr" level="a">Classification par portée à partir de règles et d'exemples</title>
<author><name sortKey="Lachiche, N" sort="Lachiche, N" uniqKey="Lachiche N" first="N." last="Lachiche">N. Lachiche</name>
<affiliation><inist:fA14 i1="01"><s1>CRIN/CNRS - INRIA Lorraine, Bâtiment LORIA, B.P. 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
<author><name sortKey="Marquis, P" sort="Marquis, P" uniqKey="Marquis P" first="P." last="Marquis">P. Marquis</name>
<affiliation><inist:fA14 i1="02"><s1>CRIL/Université d'Artois, Rue de l'Université, S.P. 16</s1>
<s2>62307 Lens</s2>
<s3>FRA</s3>
<sZ>2 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
</titleStmt>
<publicationStmt><idno type="wicri:source">INIST</idno>
<idno type="inist">98-0522300</idno>
<date when="1997">1997</date>
<idno type="stanalyst">PASCAL 98-0522300 INIST</idno>
<idno type="RBID">Pascal:98-0522300</idno>
<idno type="wicri:Area/PascalFrancis/Corpus">000B80</idno>
</publicationStmt>
<sourceDesc><biblStruct><analytic><title xml:lang="fr" level="a">Classification par portée à partir de règles et d'exemples</title>
<author><name sortKey="Lachiche, N" sort="Lachiche, N" uniqKey="Lachiche N" first="N." last="Lachiche">N. Lachiche</name>
<affiliation><inist:fA14 i1="01"><s1>CRIN/CNRS - INRIA Lorraine, Bâtiment LORIA, B.P. 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
<author><name sortKey="Marquis, P" sort="Marquis, P" uniqKey="Marquis P" first="P." last="Marquis">P. Marquis</name>
<affiliation><inist:fA14 i1="02"><s1>CRIL/Université d'Artois, Rue de l'Université, S.P. 16</s1>
<s2>62307 Lens</s2>
<s3>FRA</s3>
<sZ>2 aut.</sZ>
</inist:fA14>
</affiliation>
</author>
</analytic>
</biblStruct>
</sourceDesc>
</fileDesc>
<profileDesc><textClass><keywords scheme="KwdEn" xml:lang="en"><term>Automatic classification</term>
<term>Intelligent system</term>
<term>Learning algorithm</term>
<term>Logical programming</term>
<term>Nearest neighbour</term>
</keywords>
<keywords scheme="Pascal" xml:lang="fr"><term>Système intelligent</term>
<term>Classification automatique</term>
<term>Programmation logique</term>
<term>Algorithme apprentissage</term>
<term>Plus proche voisin</term>
</keywords>
</textClass>
</profileDesc>
</teiHeader>
<front><div type="abstract" xml:lang="fr">Dans cet article, nous présentons une extension aux règles d'une technique de classification introduite récemment, la classification par portée. Cette technique est une approche à base d'instances mais elle possède une caractérisation à base de règles. Afin d'améliorer l'intelligibilité et l'efficacité des classifieurs obtenus par classification par portée à partir d'exemples seuls, nous généralisons les exemples en règles en utilisant la classification par portée lors d'une phase d'apprentissage. Les règles ainsi engendrées et les exemples restants (et éventuellement des règles additionnelles fournies par l'utilisateur) constituent un nouvel ensemble d'apprentissage sur la base duquel la classification par portée étendue fonctionne. Expérimentalement, nous montrons que des gains en intelligibilité, efficacité et même en précision sont possibles.</div>
</front>
</TEI>
<inist><standard h6="B"><pA><fA08 i1="01" i2="1" l="FRE"><s1>Classification par portée à partir de règles et d'exemples</s1>
</fA08>
<fA09 i1="01" i2="1" l="FRE"><s1>RFIA'98 : reconnaissance des formes et intelligence artificielle : Clermont ferrand, 20-22 janvier 1998</s1>
</fA09>
<fA11 i1="01" i2="1"><s1>LACHICHE (N.)</s1>
</fA11>
<fA11 i1="02" i2="1"><s1>MARQUIS (P.)</s1>
</fA11>
<fA14 i1="01"><s1>CRIN/CNRS - INRIA Lorraine, Bâtiment LORIA, B.P. 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
</fA14>
<fA14 i1="02"><s1>CRIL/Université d'Artois, Rue de l'Université, S.P. 16</s1>
<s2>62307 Lens</s2>
<s3>FRA</s3>
<sZ>2 aut.</sZ>
</fA14>
<fA18 i1="01" i2="1"><s1>Association française d'intelligence artificielle</s1>
<s2>Chambéry</s2>
<s3>FRA</s3>
<s9>patr.</s9>
</fA18>
<fA18 i1="02" i2="1"><s1>Association française pour la cybernétique économique et technique</s1>
<s2>Paris</s2>
<s3>FRA</s3>
<s9>patr.</s9>
</fA18>
<fA20><s1>149-158</s1>
</fA20>
<fA21><s1>1997</s1>
</fA21>
<fA23 i1="01"><s0>FRE</s0>
</fA23>
<fA24 i1="01"><s0>eng</s0>
</fA24>
<fA25 i1="01"><s1>AFCET</s1>
<s2>Paris</s2>
</fA25>
<fA30 i1="01" i2="1" l="FRE"><s1>Reconnaissance des formes et intelligence artificielle. Congrès</s1>
<s2>11</s2>
<s3>Clermont Ferrand FRA</s3>
<s4>1998-01-20</s4>
</fA30>
<fA43 i1="01"><s1>INIST</s1>
<s2>Y 31889</s2>
<s5>354000076387380130</s5>
</fA43>
<fA44><s0>0000</s0>
<s1>© 1998 INIST-CNRS. All rights reserved.</s1>
</fA44>
<fA45><s0>15 ref.</s0>
</fA45>
<fA47 i1="01" i2="1"><s0>98-0522300</s0>
</fA47>
<fA60><s1>C</s1>
</fA60>
<fA61><s0>A</s0>
</fA61>
<fA66 i1="01"><s0>FRA</s0>
</fA66>
<fA68 i1="01" i2="1" l="ENG"><s1>Scope classification learning from rules and instances</s1>
</fA68>
<fC01 i1="01" l="FRE"><s0>Dans cet article, nous présentons une extension aux règles d'une technique de classification introduite récemment, la classification par portée. Cette technique est une approche à base d'instances mais elle possède une caractérisation à base de règles. Afin d'améliorer l'intelligibilité et l'efficacité des classifieurs obtenus par classification par portée à partir d'exemples seuls, nous généralisons les exemples en règles en utilisant la classification par portée lors d'une phase d'apprentissage. Les règles ainsi engendrées et les exemples restants (et éventuellement des règles additionnelles fournies par l'utilisateur) constituent un nouvel ensemble d'apprentissage sur la base duquel la classification par portée étendue fonctionne. Expérimentalement, nous montrons que des gains en intelligibilité, efficacité et même en précision sont possibles.</s0>
</fC01>
<fC02 i1="01" i2="X"><s0>001D02C02</s0>
</fC02>
<fC03 i1="01" i2="X" l="FRE"><s0>Système intelligent</s0>
<s5>01</s5>
</fC03>
<fC03 i1="01" i2="X" l="ENG"><s0>Intelligent system</s0>
<s5>01</s5>
</fC03>
<fC03 i1="01" i2="X" l="SPA"><s0>Sistema inteligente</s0>
<s5>01</s5>
</fC03>
<fC03 i1="02" i2="X" l="FRE"><s0>Classification automatique</s0>
<s5>02</s5>
</fC03>
<fC03 i1="02" i2="X" l="ENG"><s0>Automatic classification</s0>
<s5>02</s5>
</fC03>
<fC03 i1="02" i2="X" l="SPA"><s0>Clasificación automática</s0>
<s5>02</s5>
</fC03>
<fC03 i1="03" i2="X" l="FRE"><s0>Programmation logique</s0>
<s5>03</s5>
</fC03>
<fC03 i1="03" i2="X" l="ENG"><s0>Logical programming</s0>
<s5>03</s5>
</fC03>
<fC03 i1="03" i2="X" l="SPA"><s0>Programación lógica</s0>
<s5>03</s5>
</fC03>
<fC03 i1="04" i2="X" l="FRE"><s0>Algorithme apprentissage</s0>
<s5>04</s5>
</fC03>
<fC03 i1="04" i2="X" l="ENG"><s0>Learning algorithm</s0>
<s5>04</s5>
</fC03>
<fC03 i1="04" i2="X" l="SPA"><s0>Algoritmo aprendizaje</s0>
<s5>04</s5>
</fC03>
<fC03 i1="05" i2="X" l="FRE"><s0>Plus proche voisin</s0>
<s5>05</s5>
</fC03>
<fC03 i1="05" i2="X" l="ENG"><s0>Nearest neighbour</s0>
<s5>05</s5>
</fC03>
<fC03 i1="05" i2="X" l="SPA"><s0>Vecino más cercano</s0>
<s5>05</s5>
</fC03>
<fN21><s1>341</s1>
</fN21>
</pA>
</standard>
<server><NO>PASCAL 98-0522300 INIST</NO>
<FT>Classification par portée à partir de règles et d'exemples</FT>
<ET>(Scope classification learning from rules and instances)</ET>
<AU>LACHICHE (N.); MARQUIS (P.)</AU>
<AF>CRIN/CNRS - INRIA Lorraine, Bâtiment LORIA, B.P. 239/54506 Vandœuvre-lès-Nancy/France (1 aut.); CRIL/Université d'Artois, Rue de l'Université, S.P. 16/62307 Lens/France (2 aut.)</AF>
<DT>Congrès; Niveau analytique</DT>
<SO>Reconnaissance des formes et intelligence artificielle. Congrès/11/1998-01-20/Clermont Ferrand FRA; France; Paris: AFCET; Da. 1997; Pp. 149-158</SO>
<LA>Français</LA>
<FA>Dans cet article, nous présentons une extension aux règles d'une technique de classification introduite récemment, la classification par portée. Cette technique est une approche à base d'instances mais elle possède une caractérisation à base de règles. Afin d'améliorer l'intelligibilité et l'efficacité des classifieurs obtenus par classification par portée à partir d'exemples seuls, nous généralisons les exemples en règles en utilisant la classification par portée lors d'une phase d'apprentissage. Les règles ainsi engendrées et les exemples restants (et éventuellement des règles additionnelles fournies par l'utilisateur) constituent un nouvel ensemble d'apprentissage sur la base duquel la classification par portée étendue fonctionne. Expérimentalement, nous montrons que des gains en intelligibilité, efficacité et même en précision sont possibles.</FA>
<CC>001D02C02</CC>
<FD>Système intelligent; Classification automatique; Programmation logique; Algorithme apprentissage; Plus proche voisin</FD>
<ED>Intelligent system; Automatic classification; Logical programming; Learning algorithm; Nearest neighbour</ED>
<SD>Sistema inteligente; Clasificación automática; Programación lógica; Algoritmo aprendizaje; Vecino más cercano</SD>
<LO>INIST-Y 31889.354000076387380130</LO>
<ID>98-0522300</ID>
</server>
</inist>
</record>
Pour manipuler ce document sous Unix (Dilib)
EXPLOR_STEP=$WICRI_ROOT/Wicri/Lorraine/explor/InforLorV4/Data/PascalFrancis/Corpus
HfdSelect -h $EXPLOR_STEP/biblio.hfd -nk 000B80 | SxmlIndent | more
Ou
HfdSelect -h $EXPLOR_AREA/Data/PascalFrancis/Corpus/biblio.hfd -nk 000B80 | SxmlIndent | more
Pour mettre un lien sur cette page dans le réseau Wicri
{{Explor lien |wiki= Wicri/Lorraine |area= InforLorV4 |flux= PascalFrancis |étape= Corpus |type= RBID |clé= Pascal:98-0522300 |texte= Classification par portée à partir de règles et d'exemples }}
![]() | This area was generated with Dilib version V0.6.33. | ![]() |