| Résumé | Cet article traite des tâches de catégorisation dans le cas où les catégories sont partiellement ordonnées pour former une hiérarchie. Tout d'abord, on y introduit la notion de classification cohérente, qui prend en compte la sémantique d'une hiérarchie de classes. En second lieu, on y présente une nouvelle approche hiérarchique globale qui produit une classification cohérente. Cet algorithme, qui repose sur la procédure d'apprentissage sous jacente AdaBoost, offre significativement de meilleures performances que l'approche « à plat » correspondante, c'est à dire l'approche qui ne tient pas compte des informations hiérarchiques. En outre, l'algorithme proposé surpasse l'approche hiérarchique locale descendante pour de nombreuses tâches synthétiques et réelles. Aux fins de l'évaluation, nous nous servons d'une nouvelle mesure d'évaluation hiérarchique qui comporte un certain nombre de caractéristiques intéressantes : elle est simple, ne nécessite pas d'affinage des paramètres, tient compte des classifications partiellement correctes et permet de discriminer les erreurs en fonction à la fois de la distance et de la profondeur dans une hiérarchie de classes. |
|---|
