Classification Bayésienne et SVM

Université Mohamed Khider-Biskra
Département d’informatique
2ème année Master IDM
Travail pratique N˚3
TP FDA
Novembre 2015
Classification Bayésienne et SVM
Travail 1 Classification bayésienne naı̈ve
1. Ouvrir la table ”weather.nominal.arff” sur weka.
2. Aller sur l’anglet ”Classification” et choisir le classifieur NaiveBayes.
3. Lancer l’apprentissage avec un test sur les données d’entrainement.
4. Vérifier le modèle construit puis enregistrer le.
5. Utiliser ce modèle pour trouver les classes des exemples suivants :
overcast cool
rainy
hot
rainy
hot
sunny cool
high false
high true
high true
high false
Travail 2 Classification par réseau bayésien
1. Ouvrir la table ”weather.nominal.arff” sur weka.
2. Aller sur l’anglet ”Classification” et choisir le classifieur BayesNet.
3. Lancer l’apprentissage avec un test sur les données d’entrainement.
4. Afficher le réseau bayésien trouvé puis enregistrer le.
5. Vérifier les CPTs calculées
6. Enregistrer le modèle construit.
7. Utiliser ce modèle pour trouver les classes des exemples suivants :
overcast cool
rainy
hot
rainy
hot
sunny cool
high false
high true
high true
high false
8. Comparer avec les résultats obtenus dans l’exercice précédent.
Travail 3 Classification par réseau bayésien
1. Aller sur Tools− >Bayesneteditor dans la fenetre principale de Weka.
2. Aller sur File− >Load puis charger le fichier ”weather.nominal.arff”
3. Aller sur Tools− >Learn Network puis lancer l’apprentissage
4. Recalculer les CPTs.
5. Modifier le réseau pour correspondre au réseau suivant :
Travail 4 Classification par SVM
1. Ouvrir la table ”diabets.arff” sur weka.
2. Quels type de classifieur SVM doit-on utiliser ?
3. Aller sur l’anglet ”Classification” et choisir le classifieur Function-SMO.
4. Lancer deux apprentissages : un avec un noyau linéaire et l’autre avec un noyau gaussien.
5. Comparer les résultats en terme de temps d’entrainement, nombre de vecteurs supports
et précision
Travail 5 Classification par SVM
1. Ouvrir la table ”iris.arff” sur weka et vérifier le nombre de classes.
2. Aller sur l’anglet ”Classification” et choisir le classifieur Function-SMO.
3. Lance l’apprentissage
4. Donner le nombre de classifieurs binaires calculés
5. En déduire la méthode SVM multiclasses utilisée.
Responsable de la matière :
Dr A.Djeffal