La méthode RAkEL évidentielle pour la classification multi-label

La classification multi-label permet d'associer à une observation donnée une ou plusieurs classes simultan ément. RAkEL est l'une des méthodes utilisées pour répondre à ce problème. Cette méthode est basée sur la division de l'ensemble des classes en plusieurs sousensembles, chaque combinaison possible de labels étant considérée comme une nouvelle classe. Chacun de ces sous-ensembles est utilisé pour l'apprentissage d'un classifieur multi-label décidant sur les classes lui appartenant. Pour la décision finale sur l'appartenance d'un individu à une classe, une stratégie de vote est utilisée. Dans cet article, nous présentons une méthode de classification multi-label consistant à utiliser la méthode RAkEL conjointement avec la théorie des fonctions de croyance adaptée au formalisme des variables multi-valuées. L'utilisation de la théorie des fonctions de croyance rend possible l'association d'une fonction de masse à chaque classifieur. Ces fonctions sont ensuite combinées par un opérateur adapté dans le but de donner une décision finale sur l'appartenance d'un individu à un ensemble de classes. Plusieurs résultats sur des exemples réels montrent les bonnes performances de cette méthode par rapport à la méthode RAkEL de base. Multi-label classification deals with problems in which each instance can be associated with a set of labels. An effective multi-label method, named RAkEL, randomly breaks the initial set of labels into smaller sets and trains a single-label classifier in each of this subset. To classify an unseen instance, the predictions of all classifiers are combined using a voting process. In this paper, we adapt the RAkEL approach under the belief function framework applied to set-valued variables. Using evidence theory allows us to handle partial information by associating a mass function to each classifier and combining them conjunctively. Experiments on real datasets demonstrate that our approach improves classification performances as compared to the basic RAkEL method.