K-nearest neighbors classifier under possibility framework
La classification est un domaine de recherche très important dans le domaine d'apprentissage automatique. L'une des techniques de classification les plus connues est l'algorithme de K-plus proche voisins (KPPV) connu par sa simplicité et son efficacité. Cette méthode est extrêmement intuitive, simple à implémenter et elle donne de bons résultats avec des données certaines. Cependant, l'un des problèmes majeurs qui se pose lorsqu'on utilise cette technique est que tous les voisins ont la même importance dans la décision de classe d'appartenance de l'objet en question, alors qu'il y a des voisins qui sont très loins de cet objet. Dans cet article, nous proposons une nouvelle approche basée sur la technique KPPV dans un cadre de possibilités. Cette méthode permet de gérer l'incertitude dans les étiquettes de classe où chaque objet à classer sera affecté à plusieurs classes avec des degrés de possibilités. Des expérimentations basées sur plusieurs ensembles de données réels ont été menées pour montrer l'efficacité de la méthode proposée par rapport aux autres méthodes.