Maitre assistante en Génie Biomédical à L'université de Tlemcen, Algérie. Poursuit sa thèse au sein du laboratoire GBM en spécialité informatique biomédicale : Aide au diagnostic médical
Renforcement de l'apprentissage Structurel d'un Modèle Neuro-flou. Application à la Reconnaissance du Diabète
Par : , ,Formats :
- Paiement en ligne :
- Livraison à domicile ou en point Mondial Relay estimée à partir du 11 septembreCet article sera commandé chez un fournisseur et vous sera envoyé 21 jours après la date de votre commande.
- Retrait Click and Collect en magasin gratuit
- Réservation en ligne avec paiement en magasin :
- Indisponible pour réserver et payer en magasin
- Nombre de pages100
- FormatPoche
- PrésentationBroché
- Poids0.16 kg
- Dimensions15,0 cm × 22,0 cm × 0,6 cm
- ISBN978-613-1-59161-7
- EAN9786131591617
- Date de parution20/11/2013
- CollectionOMN.UNIV.EUROP.
- ÉditeurUniv Européenne
Résumé
L'intelligibilité représente la force motrice la plus importante derrière la mise en oeuvre des classifieurs à base flous pour les problèmes d'application médicale. Dans la littérature, la majorité des algorithmes basés sur un système d'inférence neuro-flou adaptatif (ANFIS) ne fournissent pas suffisamment d'explications sur la façon d'obtenir les résultats d'inférence. Ce livre traite la possibilité d'augmenter l'interprétabilité du classifieur ANFIS avec l'apport de la méthode de clustering Fuzzy C-Means.
Il montre comment un classifieur neuro-flou interprétable peut être obtenu par un processus d'apprentissage et comment les règles floues extraites peuvent améliorer son interprétation. Les résultats expérimentaux appliqués sur la base de données du diabète montrent de fortes similitudes avec les règles appliquées par les experts. L'approche proposée est simple et efficace pour clarifier la décision finale du classifieur, tout en préservant sa précision.
Il montre comment un classifieur neuro-flou interprétable peut être obtenu par un processus d'apprentissage et comment les règles floues extraites peuvent améliorer son interprétation. Les résultats expérimentaux appliqués sur la base de données du diabète montrent de fortes similitudes avec les règles appliquées par les experts. L'approche proposée est simple et efficace pour clarifier la décision finale du classifieur, tout en préservant sa précision.
