Traitement automatique du signal ECG pour l'aide au diagnostic de ...

CHAPITRE 4. EFFET DE LA SÉLECTION DE CARACTÉRISTIQUES 40
ractéristique se passe pour un δ légèrement différent.
La dernière zone d’intérêt se trouve à droite, pour les valeurs de δ < 2, 5%. La
Figure 4.2 représente de la même façon ces valeurs de δ. On observe dans les
cas 2, 3 mais surtout 1 que les performances moyennes décroissent fortement
si δ devient nul, ce qui veut dire que la méthode forward a sélectionné trop de
caractéristiques, et que les performances s’en ressentent. Un tel phénomène est
appelé sur-apprentissage : l’algorithme a voulu être trop fidèle aux données (en
basant le classifieur LDA sur de trop nombreuses caractéristiques) et a perdu de
sa capacité à généraliser.
Ce phénomène ne se passe pas dans le cas 4 (sous-échantillonnage de type Clustering
: k-means avec un recentrage à la fin et la norme d’ordre 2, avec classifieur
LDA pondéré). Les performances moyennes sont même meilleures en ajoutant
plus de caractéristiques.
Du point de vue de la variabilité des résultats, c’est encore le cas 4 qui l’emporte,
ce qui le rend plus fiable. Cependant, les variances de premier plateau (présent
depuis δ = 2, 5% jusque δ = 10%) sont dans tous les cas encore plus faibles que
dans le cas 4 avec δ = 0.
Figure 4.2 – Zoom sur les performances moyennes en rouge, les deux lignes
vertes représentant un écart-type de chaque côté de la moyenne, pour un certain
δ.