Résumé

Dans le cadre de l'apprentissage automatique supervisé, un des outils disponibles pour la classification binaire est la Set Covering Machine (SCM).  Rapidement construite et en général très performante, elle n'est cependant pas systématiquement infaillible.  Il existe encore, à ce jour, une marge pour une amélioration.

Ce mémoire présente deux nouvelles façons de construire des SCM.  Ces algorithmes sont décrits, expliqués et leur performance est analysée.  La première façon est de minimiser une approximation d'une borne sur le risque à l'aide d'un branch-and-bound.  La deuxième est d'utiliser le bagging.

Lors des tests, les nouveaux classificateurs se sont montrés aussi performants que les SCM originales.  Nous avons découvert que celles-ci sont soit déjà optimales au sens du critère utilisé pour le branch-and-bound, soit aussi performantes que les SCM optimales.