DecisionTree ID3

Didacticiels Tanagra - janvier 04 - Prise en main rapide : importer ses données
Présentation du didacticiel
Dans ce didacticiel, vous allez apprendre à mettre en œuvre une méthode d’apprentissage
supervisé.
Le fichier d’exemple utilisé est « breast.txt ».
Ce fichier, bien connu, est issu du domaine médical, et contient les caractéristiques
physiologiques de cellules ponctionnées sur des patientes atteintes (ou non) du cancer du sein.
Nous mettons en œuvre dans ce didacticiel la méthode d’apprentissage ID3 (arbre de décision).
Vous apprendrez à utiliser les opérateurs suivants :
Onglet Opérateur Commentaire
Feature selection Define status Précision des variables à utiliser

Meta-spv learning Supervised learning Encapsule l’opérateur
d’apprentissage
Spv learning ID3 Opérateur d’apprentissage
Charger les données dans Tanagra
Ouvrir un diagramme existant
1 – Choisissez File/Open… dans le menu de Tanagra.
2 – Allez chercher le fichier « breast.bdm » situé dans le sous-répertoire « Dataset » de Tanagra.
Utiliser un opérateur d’apprentissage supervisé
Définir le statut des variables
1 – Placez-vous sur le nœud « Dataset » et ajoutez un opérateur Define Status en cliquant sur
son icône dans la barre des raccourcis. La fenêtre de dialogue permettant de définir le statut des
variables apparaît automatiquement.
Page 1 sur 7
2 – Assurez-vous que c’est l’onglet « Input » qui est actif. Sélectionnez les variables continues de
la liste en cliquant sur le bouton correspondant (cf ci-dessous), et cliquez enfin sur le bouton
flèche pour les passer dans la liste des Input.
Page 2 sur 7
3 – Toujours en restant dans la fenêtre de dialogue, activez l’onglet Target. Cliquez sur la
variable « class » pour la sélectionner, puis sur le bouton flèche.
Page 3 sur 7
4 – Vous venez de définir la variable à prédire (« class » = Target) et les variables explicatives
(les autres = Input). Appuyez sur OK pour valider et fermer cette fenêtre.
Choisir un méta-opérateur d’apprentissage supervisé
Dans certaines expérimentations, on lance plusieurs fois l’apprentissage sur le même fichier,
en pondérant les individus différemment à chaque fois. Le but est d’obtenir un meilleur
modèle de prédiction.
Tanagra implémente ce chaînage d’un opérateur d’apprentissage via les méta-opérateurs.
Dans ce didacticiel nous ne rentrerons pas dans ce type d’expérimentations, nous ne lancerons
qu’une seule fois l’opérateur ID3. Mais Tanagra oblige à utiliser un méta-opérateur. Il en
propose toutefois un pour les lancements uniques de méthode. Il s’agit de l’opérateur
Supervised Learning.
1 – Ajoutez un opérateur Supervised learning (onglet META-SPV LEARNING) au diagramme, sous

le nœud «Define status 1».
Page 4 sur 7
Choisir un opérateur d’apprentissage supervisé
1 – Dans la palette des opérateurs, cliquez sur l’onglet SPV LEARNING, et faites glisser un
opérateur ID3 sur le nœud « Supervised Learning » que vous venez d’ajouter.
L’opérateur est inclus dans le méta-opérateur, aussi voit-on son libellé dans celui du nœud du
méta-opérateur, et non pas en-dessous de celui-ci.
Définir les paramètres de l’apprentissage (opérateur ID3)
1 – Faites apparaître le menu contextuel du nœud « Supervised learning (ID3) par clic droit sur
ce dernier. En plus de la commande Parameters… habituelle, on trouve une commande
Supervised parameters…
Page 5 sur 7
La première s’applique au méta-opérateur, la seconde à l’opérateur d’apprentissage supervisé.

Choisissez celle-ci.
2 – Dans la fenêtre de dialogue qui s’affiche, compte tenu de la taille du fichier étudié (699
individus), modifiez les paramètres de ID3 comme suit :
Page 6 sur 7
3 – Validez en cliquant sur OK.
Effectuer l’apprentissage
1 – Dans le menu contextual du noeud, choisissez View. Les résultats s’affichent dans le cadre
de droite.
Le taux d’erreur calculé sur l’apprentissage paraît bon (4,72 %). On voit dans la matrice de
confusion que l’erreur se répartit également entre diagnostiquer un cancer à tort et ne pas
diagnostiquer un cancer existant.
On constate dans l’arbre retranscrit l’importance de la variable ucellsize dans le diagnostic
automatique.
Page 7 sur 7

DecisionTree ID3

Transféré par

Droits d'auteur :

Formats disponibles

DecisionTree ID3

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

DecisionTree ID3

Transféré par

Droits d'auteur :

Formats disponibles

Didacticiels Tanagra - janvier 04 - Prise en main rapide : importer ses données

Vous apprendrez à utiliser les opérateurs suivants :

Onglet Opérateur Commentaire

Feature selection Define status Précision des variables à utiliser

Charger les données dans Tanagra

Ouvrir un diagramme existant

1 – Choisissez File/Open… dans le menu de Tanagra.

2 – Allez chercher le fichier « breast.bdm » situé dans le sous-répertoire « Dataset » de Tanagra.

Utiliser un opérateur d’apprentissage supervisé

Définir le statut des variables

Choisir un méta-opérateur d’apprentissage supervisé

1 – Ajoutez un opérateur Supervised learning (onglet META-SPV LEARNING) au diagramme, sous

Choisir un opérateur d’apprentissage supervisé

Définir les paramètres de l’apprentissage (opérateur ID3)

La première s’applique au méta-opérateur, la seconde à l’opérateur d’apprentissage supervisé.

3 – Validez en cliquant sur OK.

Vous aimerez peut-être aussi