Évaluation des critères asymétriques pour les arbres de décision

L’apprentissage supervisé sur données déséquilibrées fait l’objet de nombreux travaux (Provost (2000)). Pour le cas des arbres de décision, différents auteurs ont proposé d’utiliser des mesures d’entropie prenant en compte l’asymétrie pour la recherche du meilleur éclatement. Nous avons ainsi proposé une axiomatique permettant de définir une famille de mesures asymétriques (Zighed et al. (2007)). Comment évaluer la qualité des arbres construits avec de telles mesures ? En effet, les critères de performances globaux (comme le taux d’erreur) ne prennent pas en compte l’asymétrie des classes. Ceux qui évaluent les performances du modèle sur une seule classe sont tributaires de la règle d’affectation d’une classe dans chaque feuille. Or, dans le cas de données déséquilibrées, la règle majoritaire utilisée habituellement ne convient pas. Nous proposons donc une méthodologie et une évaluation des arbres construits avec une entropie asymétrique.