Centre Universitaire de Mila Examen final en « Apprentissage Automatique »
Institut: ST, Département: MI Durée de l’examen : 1h00 / Mila le : 01-07-2021
Master 1 – STIC Documents non autorisés
Corrigé type de l’examen final 2020-2021
Exercice 1 : Classificateur de Bayes (11 points)
Etant donné l’ensemble d’apprentissage dans le tableau ci-dessous :
Évaluation du Classe :
ID Age Revenu Étudiant
crédit acheter ordinateur
1 <=30 Élevé Non acceptable Non
2 <=30 Élevé Non excellent Non
3 31..40 Élevé Non acceptable Oui
4 >40 Moyen Non acceptable Oui
5 >40 Faible Oui acceptable Oui
6 >40 Faible Oui excellent Non
7 31..40 Faible Oui excellent Oui
8 <=30 Moyen Non acceptable Non
9 <=30 Faible Oui acceptable Oui
10 >40 Faible Oui acceptable Oui
11 <=30 Faible Oui excellent Oui
12 31..40 Faible Non excellent Oui
13 31..40 Élevé Oui acceptable Oui
14 >40 Moyen Non excellent Non
1) On propose d’utiliser un classificateur de Bayes Naïve. Donner la formule de la
probabilité à posteriori dans ce cas.
2) En utilisant le classificateur de Bayes Naïve, faites une prédiction de la classe à
laquelle appartiennent les cas ci-dessous :
(âge<=30, le revenu=moyen, étudiant=oui, évaluation crédit=acceptable)
(âge=31..40, le revenu=élevé, étudiant=oui, évaluation crédit=excellent)
(âge>40, le revenu= élevé, étudiant=non, évaluation crédit= excellent)
Solution :
1) Formule de la probabilité à posteriori:
( | ) ( | )
( | )
∑ ( | ) ( | )
2) Prédiction de la classe des nouvelles données :
Nous avons besoin de calculer ( | ) et ( | ) et les comparer.
( | ) ( | ) ( | ) ( | ) ( ) ( | ) ( | ) ( | ) ( | ) ( )
( | ) ( | )
( ) ( )
avec ( ) ( | ) ( ) ( | ) ( )
selon le tableau ci-dessus, on a ( ) et ( )
(âge<=30, le revenu=moyen, étudiant=oui, évaluation crédit=acceptable)
Soient les variables E1, E2, E3 et E4 :
E1 : âge <= 30,
E2 : Revenu = moyen,
E3 : Étudiant = oui,
E4 : Évaluation du crédit = acceptable
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄
( | ) ( | )
( ) ( )
( ) ( )
On a ( ) ( | ) ( ) ( | ) ( )
D’où : ( | ) et ( | )
Par conséquent, le classificateur Bayes Naïve prédit (« acheter ordinateur » = OUI) pour la donnée .
(âge=31..40, le revenu=élevé, étudiant=oui, évaluation crédit=excellent)
Soient les variables E1, E2, E3 et E4 :
E1 : Age = 31..40,
E2 : Revenu = élevé,
E3 : Étudiant = oui,
E4 : Évaluation du crédit = excellent
Nous avons besoin de calculer ( | ) et ( | ) et les comparer.
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄
( | ) ( | )
( ) ( )
( ) ( )
On a ( ) ( | ) ( ) ( | ) ( )
D’où : ( | ) et ( | )
Par conséquent, le classificateur Bayes Naïve prédit (« acheter ordinateur » = OUI) pour la donnée .
(âge>40, le revenu= élevé, étudiant=non, évaluation crédit= excellent)
Soient les variables E1, E2, E3 et E4 :
E1 : Age > 40,
E2 : Revenu = élevé,
E3 : Étudiant = non,
E4 : Évaluation du crédit = excellent
Nous avons besoin de calculer ( | ) et ( | ) et les comparer.
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
( | ) ⁄ ( | ) ⁄
⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ ⁄
( | ) ( | )
( ) ( )
( ) ( )
On a ( ) ( | ) ( ) ( | ) ( )
D’où : ( | ) et ( | )
Par conséquent, le classificateur Bayes Naïve prédit (« acheter ordinateur » = NON) pour la donnée .
Exercice 2 : Machine à vecteurs de supports (09 points)
Considérer le classificateur SVM et soit un ensemble avec deux points en 1D :
( ) et ( √ ) tel que et représentent les classes.
Considérer la transformation de chaque point vers l’espace 3D en appliquant la
fonction , ( ) [ √ ] .
a) Calculer les points ( ) et ( ).
b) Donner un vecteur parallèle au vecteur optimal .
c) Quelle est la valeur de la marge obtenue par ce ?
d) Trouver le vecteur en utilisant le fait que la marge est égale à || ||.
e) Trouver en utilisant votre valeur de .
f) Ecrivez la forme de la fonction discriminante ( ) ( ) .
Solution :
a) Les point transférés sont : [ ] et [ ] .
b) La meilleure frontière de décision est celle avec norme [ ] et qui passe par le point
[ ] . Par conséquent, peut être choisi comme [ ] .
c) Le marginal est la distance entre [ ] et [ ] , donc √ .
d) [ ] .
e) Nous avons :
Donc .
f) La fonction discriminante est :
( )
