6.4 Algorithme de sélection d’attributs basé sur la théorie du consensus (CTBFS)

Le domaine considéré est constitué d’une valeur limite du nombre d’attributs susceptibles d’être correctement visualisés et traités da façon interactive (C _cmd ), un ensemble M d’experts (algorithmes de sélection d’attributs) E = {E ₁ , …, E _M }, chaque expert E _i dispose d’un sous-ensemble de L experts (qui représentent les différents critères ou paramètres importants des algorithmes de sélection d’attributs) E _i = {e ₁ , …, e _L }. L’utilisation de ce sous-ensemble d’experts (E _i ) peut être justifié par le fait que dans un algorithme de sélection d’attributs significatifs, il n’y a aucun critère qui permet d’obtenir de meilleurs résultats que tous les autres. Chaque critère possède des attributs de qualité spécifiques. Il est nécessaire de prendre en considération tous les différents attributs de qualité.

Nous avons aussi un sous-ensemble d’attributs DS = {D ₁ , …, D _L }, où D _i = {d ₁ , …,d _K } et K est variable. Les sous-ensembles d’attributs sont disponibles selon les paires expert/attributs (e _j , D _j ), où e _j  E _i et D _j  DS.

Chaque attribut sélectionné par un sous expert e _j a une fréquence freq = 1/nb d’apparition dans la décision finale, où nb est le nombre d’attributs sélectionnés par le sous expert.

Nous définissons un critère de préférence d’un attribut (règle de consensus) comme étant le produit des fréquences d’apparition de l’attribut dans les sous-ensembles d’attributs des experts. Nous utilisons la Log-OP pour le calcul de la préférence d’un attribut d.

où : P(X = d | D _i = b _i ) est la probabilité à posteriori que l’attribut testé appartienne au sous-ensemble d’attributs à sélectionner lorsque la décision du m ième expert est b _i , w _i est le poids assigné à l’expert.

A cette étape, il est important de revenir sur l’affectation de poids aux différents experts intervenant dans la procédure de sélection des sous-ensembles d’attributs.