Apprentissage Artificiel - Concepts Et Algorithmes

rézo neur.
4/07/02 11:35 Page 1
Algorithmes
Apprentissage
Apprentissage artificiel
artificiel Antoine Cornuéjols - Laurent Miclet
Avec la participation d’Yves Kodratoff
Antoine Cornuéjols est

maître de conférences à
l’Institut d’informatique
d’entreprise et chercheur au
Les programmes d’intelligence artificielle sont aujourd’hui
capables de reconnaître des commandes vocales, d’analyser
automatiquement des photos satellites, d’assister des experts
pour prendre des décisions dans des environnements complexes
Apprentissage
Ce document est la propriété exclusive de nona nina ([email protected]) - 27 Octobre 2009 à 09:30
LRI de Paris XI à Orsay. Il

enseigne l’apprentissage et évolutifs (analyse de marchés financiers, diagnostics médi-
artificiel dans plusieurs caux…), de fouiller d’immenses bases de données hétérogènes,
artificiel
grandes écoles et en DEA. Ses telles les innombrables pages du Web…
recherches portent
notamment sur l’utilisation Pour réaliser ces tâches, ils sont dotés de modules d’apprentis-
de l’apprentissage pour sage leur permettant d’adapter leur comportement à des situa-
l’analyse de données en tions jamais rencontrées, ou d’extraire des lois à partir de bases
médecine, en génomique et de données d’exemples.
en vision artificielle.
Laurent Miclet est Ce livre présente les concepts qui sous-tendent l’apprentissage
professeur à l’ENSSAT de artificiel, les algorithmes qui en découlent et certaines de leurs
Lannion. Il est responsable applications. Son objectif est de décrire un ensemble d’algo-
du projet CORDIAL de l’INRIA
et enseigne l’apprentissage
artificiel et la
reconnaissance des formes
rithmes utiles en tentant d’établir un cadre théorique unique
pour l’ensemble des techniques regroupées sous ce terme
« d’apprentissage artificiel ».
Concepts et algorithmes
dans plusieurs grandes À qui s’adresse ce livre ?
écoles et en DEA. Ses • Aux décideurs et aux ingénieurs qui souhaitent comprendre Préface de Tom Mitchell
recherches portent en
particulier sur l’apprentissage automatique et en acquérir des connaissances
l’apprentissage pour le solides ;
dialogue homme-machine et • Aux étudiants de niveau maîtrise, DEA ou école d’ingénieurs
les technologies vocales. qui souhaitent un ouvrage de référence en intelligence
Yves Kodratoff est directeur artificielle et en reconnaissance des formes.
de recherches au CNRS et
Code éditeur : G11020 • ISBN : 2-212-11020-0
dirige au LRI l’équipe Sommaire

Inférence et Apprentissage. I. Les fondements de l’apprentissage • Première approche théorique de
Il s’intéresse à toutes les
l’induction • Environnement méthodologique • II. Apprentissage par exploration •
A. Cornuéjols
L. Miclet
techniques de raisonnement
inductif, et en particulier à Induction et relation d’ordre • Programmation logique inductive • Inférence grammaticale •
leur application au data
mining. Apprentissage par évolution • III. Apprentissage par optimisation • Surfaces
séparatrices linéaires • Réseaux connexionistes • Réseaux bayésiens • Modèles de Markov
Cet ouvrage est publié cachés • IV. Apprentissage par approximation et interpolation • Classification
avec le concours de l’École
Nationale Supérieure des non supervisée • Apprentissage par renforcement • Annexes et bibliographie.
Sciences Appliquées et de
Technologie (Lannion). Collection Technique et Scientifique des Télécommunications
publiée sous l'égide de France Telecom Recherche et Développement
52 E
rézo neur. 4/07/02 11:35 Page 1
Algorithmes
Apprentissage
artificiel Antoine Cornuéjols - Laurent Miclet
Antoine Cornuéjols est

maître de conférences à
l’Institut d’informatique
d’entreprise et chercheur au
Les programmes d’intelligence artificielle sont aujourd’hui
capables de reconnaître des commandes vocales, d’analyser
automatiquement des photos satellites, d’assister des experts
Apprentissage
LRI de Paris XI à Orsay. Il pour prendre des décisions dans des environnements complexes
enseigne l’apprentissage et évolutifs (analyse de marchés financiers, diagnostics médi-
artificiel dans plusieurs caux…), de fouiller d’immenses bases de données hétérogènes,
artificiel
grandes écoles et en DEA. Ses telles les innombrables pages du Web…
recherches portent
notamment sur l’utilisation Pour réaliser ces tâches, ils sont dotés de modules d’apprentis-
de l’apprentissage pour sage leur permettant d’adapter leur comportement à des situa-
l’analyse de données en tions jamais rencontrées, ou d’extraire des lois à partir de bases
médecine, en génomique et de données d’exemples.
en vision artificielle.
Laurent Miclet est Ce livre présente les concepts qui sous-tendent l’apprentissage
professeur à l’ENSSAT de artificiel, les algorithmes qui en découlent et certaines de leurs
Lannion. Il est responsable applications. Son objectif est de décrire un ensemble d’algo-
du projet CORDIAL de l’INRIA
et enseigne l’apprentissage
artificiel et la
reconnaissance des formes
rithmes utiles en tentant d’établir un cadre théorique unique
pour l’ensemble des techniques regroupées sous ce terme
« d’apprentissage artificiel ».
dans plusieurs grandes À qui s’adresse ce livre ?
écoles et en DEA. Ses • Aux décideurs et aux ingénieurs qui souhaitent comprendre Préface de Tom Mitchell
recherches portent en
particulier sur l’apprentissage automatique et en acquérir des connaissances
l’apprentissage pour le solides ;
dialogue homme-machine et • Aux étudiants de niveau maîtrise, DEA ou école d’ingénieurs
les technologies vocales. qui souhaitent un ouvrage de référence en intelligence
Yves Kodratoff est directeur artificielle et en reconnaissance des formes.
de recherches au CNRS et
dirige au LRI l’équipe Sommaire
Inférence et Apprentissage. I. Les fondements de l’apprentissage • Première approche théorique de
Il s’intéresse à toutes les
l’induction • Environnement méthodologique • II. Apprentissage par exploration •
A. Cornuéjols
L. Miclet
techniques de raisonnement
inductif, et en particulier à Induction et relation d’ordre • Programmation logique inductive • Inférence grammaticale •
leur application au data
mining. Apprentissage par évolution • III. Apprentissage par optimisation • Surfaces
séparatrices linéaires • Réseaux connexionistes • Réseaux bayésiens • Modèles de Markov
Cet ouvrage est publié cachés • IV. Apprentissage par approximation et interpolation • Classification
avec le concours de l’École
Nationale Supérieure des non supervisée • Apprentissage par renforcement • Annexes et bibliographie.
Sciences Appliquées et de
Technologie (Lannion). Collection Technique et Scientifique des Télécommunications
publiée sous l'égide de France Telecom Recherche et Développement
DANS LA MÊME COLLECTION
G. DREYFUS et al. – Réseaux de neurones.

Méthodologie et applications.
N°11019, 2002, 380 pages.
Y. COLLETTE, P. SIARRY. – Optimisation multiobjectif.

N°11168, 2002, 328 pages.
C. GUÉRET, C. PRINS, M. SEVAUX. – Programmation linéaire.

65 problèmes d’optimisation modélisés et résolus avec Visual XPress.
N°9202, 2e édition, mars 2003, 365 pages + CD-Rom.
CHEZ LE MÊME ÉDITEUR
R. LEFÉBURE, G. VENTURI. – Data mining.

Gestion de la relation client –Personnalisation de sites Web.
N°9176, 2001, 392 pages, avec CD-ROM.
M. BAZSALICZA, P. NAÏM. – Data mining pour le Web.

Profiling – filtrage collaboratif – Personnalisation client.
N°9203, 2001, 280 pages.
M. JAMBU. – Méthodes de base de l’analyse des données.

N°5256, 1999, 440 pages.
M. GONDRAN, M. MINOUX. – Graphes et algorithmes.

N°1571, 1995, 622 pages.
BOURDA. – Introduction à l’informatique théorique.

N°1642, 1994, 236 pages.
Antoine Cornuéjols • Laurent Miclet
Deuxième tirage 2003

ÉDITIONS EYROLLES
61, Bld Saint-Germain
75240 Paris cedex 05
www.editions-eyrolles.com
Le code de la propriété intellectuelle du 1er juillet 1992 interdit en effet expressément la

photocopie à usage collectif sans autorisation des ayants droit. Or, cette pratique s’est
généralisée notamment dans les établissements d’enseignement, provoquant une baisse
brutale des achats de livres, au point que la possibilité même pour les auteurs de créer
des œuvres nouvelles et de les faire éditer correctement est aujourd’hui menacée.
En application de la loi du 11 mars 1957, il est interdit de reproduire intégralement ou
partiellement le présent ouvrage, sur quelque support que ce soit, sans autorisation de l’Éditeur ou du
Centre Français d’Exploitation du Droit de Copie, 20, rue des Grands-Augustins, 75006 Paris.
© Groupe Eyrolles, 2002, ISBN : 2-212-11020-0
© France Telecom Recherche et Développement, 2002, ISBN : 2-212-11162-2
i
Preface
apprentissage artificiel s'interesse a l'ecriture de programmes d'ordinateur ca-
L pables de s'ameliorer automatiquement au l du temps, soit sur la base de leur propre

experience, soit a partir de donnees anterieures fournies par d'autres programmes.
Dans le domaine scientique relativement jeune de l'informatique, l'apprentissage ar-
ticiel joue un rôle de plus en plus essentiel. Au debut de son existence, dans les annees 1950,
l'informatique se resumait principalement a programmer des machines en leur speciant ligne
apres ligne la sequence d'instructions que l'ordinateur aurait a suivre. Autour des annees 1990,
les logiciels etaient devenus si complexes qu'une alternative s'imposait naturellement : developper
des techniques pour que les programmes puissent s'entra^ner a partir d'exemples. Le resultat est
qu'il existe aujourd'hui de nombreux domaines d'application de l'informatique dans lesquels les
methodes de l'apprentissage articiel sont employees pour entra^ner les logiciels. Mieux, le code
resultant depasse de beaucoup en performance les realisations les plus abouties de programma-
tion manuelle (( ligne apres ligne )). C'est ainsi que tous les meilleurs logiciels commercialises
de reconnaissance de la parole sont fondes sur l'entra^nement de leurs programmes a la recon-
naissance des dierents sons et mots. La plupart d'entre eux permettent même a l'utilisateur
d'accoutumer le systeme aux caracteristiques de sa voix. D'autres exemples existent dans des
domaines tels que la vision par ordinateur, le traitement automatique du texte et la robotique.
La discipline de l'apprentissage articiel peut donc deja revendiquer des succes dans un
grand nombre de domaines d'application. Des logiciels de fouille de donnees sont utilises a
grande echelle pour decouvrir quelle prescription est la plus ecace pour quel patient, a partir
de l'analyse de chiers medicaux anterieurs. La palette des applications va de la prediction de la
demande en energie, etant connu l'historique des consommations anterieures, a l'apprentissage
de la reconnaissance de transactions frauduleuses par carte de credit, par examen des transac-
tions passees averees frauduleuses. Au moment ou nous passons des cinquante premieres annees
de l'informatique au les cinquante prochaines, il semble certain que le rôle de l'apprentissage
articiel ne cessera de cro^tre au centre de cette science.
Pourquoi cette progression ? La reponse fondamentale est que nous possedons desormais
la comprehension de plusieurs principes calculatoires qui guident tout processus d'apprentis-
sage, qu'il soit implemente sur une machine ou sur un humain. La discipline de l'apprentissage
articiel possede desormais de riches fondements theoriques : on commence a savoir repondre
a des questions comme : (( Combien au mimimum d'exemples d'entra^nement faut-il fournir a
un programme d'apprentissage pour être certain qu'il apprenne avec une ecacite donnee? ))
et (( Quelles methodes d'apprentissage sont les plus ecaces pour tel ou tel type de probleme? ))
Ces fondements proviennent de la theorie statistique de l'estimation, de la theorie de l'identi-
cation et de la commande optimale, de travaux pionniers sur la complexite de l'apprentissage
de grammaires ou plus recents sur l'inference bayesienne algorithmique.
Cet ouvrage fournit au lecteur francophone l'introduction la plus complete a ce jour a l'ap-
prentissage articiel. Il traite de la theorie et des applications de cette discipline sous un grand
nombre d'aspects, en couvrant des sujets comme l'apprentissage bayesien, l'inference gramma-
ticale ou l'apprentissage par renforcement. C'est avec plaisir que je recommande au lecteur de
decouvrir ce livre, et a travers lui les idees et les methodes de l'apprentissage articiel.
Tom M. Mitchell
Pittsburgh, Pennsylvania, USA
Le 29 Mai 2002
iii
The idea of a learning machine may appear paradoxical to some readers.
A. M. Turing, 1950.
a Isabelle, Claire, Aurelie, Sebastien, Fanny

et a Maura, Fabien, Marion
Remerciements
Ce livre est publie avec l'aide de l'ENSSAT. Nous remercions son directeur, Joel Crestel, d'avoir
associe cet etablissement a la publication de cet ouvrage.
Nous devons des remerciements particuliers aux personnes qui nous ont autorises a reprendre
leurs ecrits, edites ou non, ainsi qu'a toutes celles qui nous ont fait benecier de leur expertise
pour nous aider dans la redaction de cet ouvrage. Notre gratitude va aussi aux lecteurs critiques
des versions preliminaires, ce qui inclut notablement une certaine proportion de nos etudiants.
Il nous tient a cur de remercier tout specialement : Abdel Belad, Sami Bengio, Christophe
Bernard, Marc Bernard, Olivier Boeard, Michel Cartier, Christophe Choisy, Francois Coste,
Francois Denis, Pierre Dupont, Daniel Fredouille, Colin de la Higuera, Yves Kodrato, Israel-
Cesar Lerman, Stan Matwin, Engelbert Mephu Nguifo, Tom Mitchell, Jacques Nicolas, Celine
Rouveirol, Michele Sebag, Dominique Snyers, Franck Thollard, Fabien Torre, Stephane Vanden-
mersch et Jean-Daniel Zucker.
L'adresse Web : www.editions-eyrolles.com contient les gures de cet ouvrage, les trans-
parents des cours des auteurs et les errata.
Avant-propos
e livre presente les theories, les algorithmes et les applications de l'apprentissage
C articiel. Son ambition est d'une part d'unier le cadre methodologique, et d'autre
part de decrire un ensemble d'algorithmes utiles, de maniere coherente avec ce cadre,
enn de faire conna^tre ses applications existantes et potentielles.

A quoi sert l'apprentissage articiel? La plupart des programmes d'intelligence articielle
possedent aujourd'hui un module d'apprentissage et tous les programmes de reconnaissance
des formes sont fondes sur des algorithmes d'apprentissage. Et que font ces programmes? Ils
sont capables de reconna^tre la parole humaine et de l'interpreter. Ils realisent une analyse
automatique de photos satellites pour detecter certaines ressources sur la Terre. Ils assistent
les experts pour prendre des decisions dans des environnements complexes et evolutifs, par
exemple le marche nancier ou le diagnostic medical. Ils fouillent d'immenses bases de donnees
heterogenes comme les millions de pages Web accessibles a tous. Ils analysent les donnees clientele
des entreprises pour les aider a mieux cibler leurs campagnes de publicite. Ils participent aussi
a des tournois : le 11 mai 1997, le tenant du titre de champion du monde du jeu d'echecs, Gary
Kasparov, a ete battu en match par un programme.
On sait donc programmer les ordinateurs pour leur faire executer des tâches considerees
comme intelligentes, de multiples facons et de maniere de plus en plus ecace. Cet ouvrage
s'interesse a un aspect particulier de cette intelligence articielle : la faculte d'apprentissage.
L'apprentissage articiel est une discipline dont les outils et les champs d'applications sont
assez disparates. Cependant, les connaissances de base necessaires a sa comprehension sont essen-
tiellement une culture generaliste que l'on trouve par exemple dans les ouvrages de mathematiques
pour l'informatique : notions d'algebre lineaire, de probabilites, de combinatoire, d'analyse elemen-
taire, d'algorithmique, de theorie des langages, de logique. Dans la mesure du possible, ces notions
de base sont brievement rappellees selon la necessite des chapitres de ce livre.
A qui s'adresse cet ouvrage?
On peut tirer prot de cet ouvrage en autodidacte, comme le fera par exemple un ingenieur
qui cherche a conna^tre ce qui se cache derriere les mots ou a acquerir une initiation a des
techniques qu'il ignore encore. On pourra aussi s'en servir comme d'un appui pour completer un
enseignement : ce sera le cas pour un etudiant au niveau ma^trise, DEA ou ecole d'ingenieurs,
ou comme d'un ouvrage de reference pour faire un cours sur le domaine.
vi
Quelques applications de l'apprentissage articiel
Voyons maintenant comment rendre un programme plus ecace en le dotant d'une possi-
bilite d'apprentissage. Reprenons pour cela les applications de l'intelligence articielle et de la
reconnaissance des formes citees ci-dessus.
Un programme de reconnaissance de la parole augmente ses performances au fur et a
mesure de son utilisation par la même personne : c'est une experience qu'il est aujourd'hui
facile de faire en pratique si on achete un logiciel personnel de dictee vocale.
Un programme de detection des ressources terrestres apprend a reconna^tre une zone de
pollution au milieu de la mer, a partir d'une base de donnees d'exemples d'images de zones
connues comme propres ou comme polluees : cette base de donnees lui sert d'experience
pour determiner sa decision sur une zone inconnue.
Un programme de diagnostic sur un ensemble d'informations evolutives prises sur un

patient doit avoir ete pourvu de connaissances, a partir de diagnostics de praticiens
et d'experts sur des situations types. Mais il doit aussi avoir ete dote d'un module de
generalisation, de facon a reagir correctement a des situations auxquelles il n'a jamais ete
confronte exactement.
Les moteurs de recherche sur le Web pourraient être munis d'un module d'adaptation au
style de navigation de l'usager : c'est une faculte souhaitable pour augmenter l'ergonomie
de leur utilisation. Les programmes ne sont pas encore reellement agrementes de cette
propriete, mais il est clair que c'est une condition necessaire pour franchir certains obstacles
de communication si evidents actuellement.
L'exploitation des chiers client d'une entreprise est souvent faite par un expert ou un
programme expert qui utilise des regles explicites pour cibler un segment de clientele sus-
ceptible d'être interesse par un nouveau produit. Mais ces regles peuvent être acquises
automatiquement, par un apprentissage dont le but est de fournir de nouvelles connais-
sances expertes, a la fois ecaces et intelligibles pour l'expert.
Un programme de jeu d'echecs possede en general une tres bonne ecacite a priori ; mais
il est naturel d'essayer de le doter d'un module ou il puisse analyser ses defaites et ses
victoires, pour ameliorer ses performances moyennes dans ses parties futures. Ce module
d'apprentissage existe dans un certain nombre de programmes de jeux.
Quelques denitions de base

Apprentissage (sous entendu : articiel, automatique) (Machine Learning)
Cette notion englobe toute methode permettant de construire un modele de la realite a
partir de donnees, soit en ameliorant un modele partiel ou moins general, soit en creant
completement le modele. Il existe deux tendances principales en apprentissage, celle is-
sue de l'intelligence articielle et qualiee de symbolique, et celle issue des statistiques et
qualiee de numerique.
Fouille de donnees (Data Mining) ou Extraction de connaissances a partir des donnees
(Knowledge Discovery in Data)
La fouille de donnees prend en charge le processus complet d'extraction de connaissances :
stockage dans une base de donnees, selection des donnees a etudier, si necessaire : nettoyage
des donnees, puis utilisation des apprentissages numeriques et symboliques an de proposer
des modeles a l'utilisateur, enn validation des modeles proposes. Si ces modeles sont
invalides par l'utilisateur, le processus complet est repete.
Avant-propos vii
Precision vs. Generalisation
Le grand dilemme de l'apprentissage. La precision est denie par un ecart entre une valeur
mesuree ou predite et une valeur reelle. Apprendre avec trop de precision conduit a un
(( sur-apprentissage )), comme l'apprentissage par cur, pour lequel des d etails insigni-
ants (ou dûs au bruit) sont appris. Apprendre avec trop peu de precision conduit a une
(( sur-generalisation )) telle que le modele s'applique même quand l'utilisateur ne le desire
pas. Les deux types d'apprentissage, numerique et symbolique, ont deni des mesures de
generalisation et c'est a l'utilisateur de xer le seuil de generalisation qu'il juge optimal.
Intelligibilite (devrait être Comprehensibility mais tend a devenir Understandability)
Depuis quelques annees, principalement sous la poussee des industriels, les chercheurs se
sont mis a essayer de contrôler aussi l'intelligibilite du modele obtenu par la fouille de
donnees. Jusqu'a present les methodes de mesure de l'intelligibilite se reduisent a verier
que les resultats sont exprimes dans le langage de l'utilisateur et que la taille des modeles
n'est pas excessive. Des methodes speciques de visualisation sont aussi utilisees.
Classication, classement et regression.
La classication, telle qu'elle est denie en analyse de donnees, consiste a regrouper des
ensembles d'exemples non supervises en classes. Ces classes sont souvent organisees en
une structure (clustering). Si cette structure est un arbre, alors on parle de taxonomie ou
de taxinomie (taxonomy). Sous l'in uence du mot anglais classication, on a tendance a
confondre classication et classement. Ce dernier mot designe le processus de reconnais-
sance en intension (par leur proprietes) de classes decrites en extension (par les valeurs
de leurs descripteurs). Lorsque les valeurs a predire sont des classes en petit nombre, on
parle de classication. Il s'agit par exemple de prevoir l'appartenance d'un oiseau observe
a la classe (( canard )) ou (( oie )). La regression traite des cas ou les valeurs a predire sont
numeriques, par exemple : nombre d'exemplaires de cet ouvrage qui seront vendus = 3900.
Deux champs industriels de l'apprentissage articiel :

la reconnaissance des formes et la fouille de donnees
En quarante ans et plus d'existence, l'apprentissage articiel a fourni un grand nombre
d'outils aux industriels et aux entrepreneurs. Nous les regroupons selon deux grands axes : la
reconnaissance des formes et la fouille de donnees ou pour être plus precis, l'extraction de
connaissances des donnees.
Le second domaine est le moins bien connu des deux bien qu'il soit porteur de reelles possi-
bilites economiques.
Quant au premier, rappellons seulement que les methodes de l'apprentissage articiel sont a
la base de la reconnaissance des images (ecriture manuscrite, signatures, detection de ressources
par satellite, pilotage automatique, etc.), de la reconnaissance de la parole, du traitement avance
des signaux bio-medicaux, etc. Pour mesurer l'extraordinaire vitalite des applications et des
potentialites de la reconnaissance des formes, il sut par exemple de suivre la parution incessante
des livres dans ce domaine. Pour ne citer que lui, l'editeur World Scientic a une cinquantaine
de titres a son catalogue sous la rubrique (( Applications de la reconnaissance des formes )) et les
renouvelle a raison de pres d'une dizaine par an.
Revenons maintenant a la fouille de donnees. Les problemes pratiques que peut resoudre en
ce domaine l'apprentissage articiel se posent constamment dans la vie industrielle: comment
distinguer un bon client d'un mauvais, comment reconna^tre un mauvais procede de fabrication
et l'ameliorer, voila deux exemples frappants parmi d'autres. On constate pourtant que l'ancrage
viii
de ce type d'application dans la vie industrielle ne date que des annees 1990, avec la naissance
d'un discipline nouvelle, creee sous le nom de (( fouille de donnees )) (data mining ) ou ECD :
(( extraction de connaissances a partir des donnees )) (knowledge discovery in databases, KDD).
Nous presentons rapidement le domaine avant d'en donner l'etat de l'art industriel dans le dernier
paragraphe de cet avant-propos.
L'ECD est nee de la constatation que les trois approches qui permettaient de construire des
modeles, a savoir les statistiques exploratoires, l'analyse des donnees et l'apprentissage symbo-
lique automatique (ASA), souraient de deux defauts communs : exiger des donnees presentees
sous une forme tres rigide et faire peu de cas de l'intelligibilite des resultats. De plus, chacune
presentait un defaut particulier gênant leur emploi : les statistiques exploratoires et l'analyse des
donnees s'adressaient a des donnees essentiellement numeriques et l'ASA se limitait aux donnees
symboliques ou discretisees en intervalles de valeurs.
Depuis, ces domaines ont evolue et les critiques a leur adresser ont change, mais tel etait
l'etat de l'art dans les annees 1990. L'ECD est donc nee d'un quadruple eort :
permettre aux utilisateurs de fournir des donnees dans l'etat ou elles sont : ceci a donne
naissance aux techniques de nettoyage des donnees (ce point sera developpe au chapitre 3) ;
utiliser les donnees enregistrees sous forme de bases de donnees (en general relationnelles) :
ceci a provoque un large courant de recherche au sein de la communaute des BD interessee
par la creation de modeles ;
fournir aux utilisateurs des outils capables de travailler sur des donnees mixtes, numeriques
et symboliques ;
construire des outils produisant une connaissance intelligible aux utilisateurs.
C'est ainsi que l'ECD a pu trouver la large reconnaissance industrielle dont elle jouit actuelle-
ment. Elle a commence a resoudre les deux problemes industriels principaux de l'analyse des
donnees, ceux qui coûtent le plus cher : le fait que le client est souvent imprecis dans la denition
du probleme qu'il se pose et le fait que les donnees dont il dispose sont souvent de qualite dis-
cutable.
L'etude des applications industrielles de l'ECD montre qu'il existe une assez forte demande
en outils de creation de modeles, autrement dit en apprentissage articiel. Ceci se traduit par le
fait qu'environ cent cinquante compagnies se sont specialisees dans ce domaine. Certaines de ces
compagnies existent depuis plusieurs annees et d'autres se sont vendues fort cher. L'ensemble
revele bien un secteur en progression raisonnable sur plusieurs annees.
Notre estimation est que le marche de l'ECD est occupe par 60 % d'outils d'apprentissage
statistique et 40 % d'outils d'apprentissage symboliques. Ces dernieres techniques etant moins
enseignees que les premieres dans les universites, on constate un hiatus entre l'enseignement et
l'industrie. En tous cas, le present livre cherche a aller dans le sens d'un meilleur enseignement
des methodes de l'apprentissage articiel, symbolique comme statistique.
Les caracteristiques de l'apprentissage articiel

Certaines des facultes que l'on peut lier naturellement a l'apprentissage ont ete citees dans
les exemples ci-dessus : entra^nement, reconnaissance, generalisation, adaptation, amelioration,
intelligibilite.
Rappellons la denition classique de l'apprentissage en sciences cognitives : (( capacite a
ameliorer les performances au fur et a mesure de l'exercice d'une activite )). Cette denition
s'applique en particulier au comportement d'un joueur d'echecs au l des parties, ou l'assimi-
lation de l'experience et la puissance de raisonnement se combinent dans sa progression. Elle
Avant-propos ix
est aussi pertinente pour des tâches perceptives : on s'habitue a un accent, a une ecriture. On
accumule des bonnes et des mauvaises experiences. A partir d'elles, on sait, consciemment ou
non, en abstraire ou faire evoluer des regles pour mieux eectuer la tâche.
Nous avons mentionne une autre facette de l'apprentissage, souvent entremêlee a la precedente :
la faculte a generaliser rationnellement. Si une experience accumulee sur un certain nombre
d'exemples a permis de tirer des regles de comportement, ces regles doivent s'appliquer aussi a
des situations non encore rencontrees. Prenons quelqu'un qui apprend a conduire sur une berline
de petite puissance. Des qu'il a merite le permis, la loi l'autorise a conduire une camionnette
utilitaire ou une voiture de sport. C'est que les regles qu'il a apprises et les re exes qu'il a acquis
s'appliquent aussi (plus ou moins directement) a ces vehicules.
Qu'en est-il des machines? Des les debuts de l'intelligence articielle, c'est-a-dire en verite
des l'apparition des ordinateurs, les chercheurs et les ingenieurs se sont poses le probleme de
l'apprentissage 1 . L'apprentissage articiel dans sa situation actuelle est donc le produit d'une
histoire de cinquante ans de recherches et de realisations. Comme on l'a vu, un grand nombre
de tâches d'intelligence articielle et de reconnaissance des formes s'appuient ou sont fondees
sur des modules d'apprentissage.
On verra dans cet ouvrage comment des programmes peuvent mettre en uvre un appren-
tissage par amelioration du comportement, en general grâce a des techniques d'optimisation.
On verra aussi qu'il est possible d'ecrire des programmes qui realisent un apprentissage par
generalisation : quand on leur donne susamment d'exemples et le type du concept a apprendre,
ils choisissent un concept qui n'est pas seulement valide sur les exemples qu'ils ont vus, mais
qui sera egalement valable pour d'autres. C'est ainsi qu'un programme de reconnaissance de la
parole ne peut pas (( entendre )) tous les sons avant d'elaborer une regle de decision. Il est ecrit
pour extraire une methode de classication de ceux qu'on lui a presentes et traiter ensuite du
mieux possible tous les sons qu'il aura a decoder.
En realite, d'un point de vue informatique, la problematique n'est pas fondamentalement
dierente dans les deux cas. Il s'agit dans le premier de faire evoluer des regles de comportement
au l des exemples et dans le second d'extraire des regles a partir d'un ensemble d'exemples
donne a priori. De même que dans l'apprentissage naturel, un panachage de ces deux modes de
fonctionnement est facile a concevoir dans l'apprentissage articiel.
Il y a une autre facette de l'apprentissage que l'intelligence articielle explore. Quand un
expert extrait des connaissances d'un ensemble de donnees, il apprend une certaine facon de les
resumer. Mais le resultat de cet apprentissage ne sera operatoire que si la connaissance extraite
est intelligible, transmissible de l'expert aux utilisateurs, interpretable (( en clair )). Il en est de
même pour un agent articiel : certaines tâches d'apprentissage ne se mesurent pas seulement
par leur qualite de prediction, mais aussi par la maniere dont les resultats sont expliques. Cet
aspect est relie operationnellement a l'intelligence articielle symbolique, aux systemes experts
en particulier : mieux vaut souvent un petit nombre de regles comprehensibles qu'un fouillis de
regles sophistiquees, même avec une performance objective superieure.
Avant de decrire plus en detail les motivations et l'organisation de cet ouvrage, precisons
a travers trois exemples comment s'organise l'apprentissage dans des situations concretes. Cela
nous permettra de donner une typologie des methodes et de presenter le plan de cet ouvrage.
1. A. Turing, dans son article Computing Machine and Intelligence, de la revue Mind en Octobre 1950 (Vol LIX,
No 236) avait intitule un paragraphe Learning Machines. On peut consulter un fac-simile du manuscrit sur le site
http://data.archives.ecs.soton.ac.uk/turing/ et le texte a : http://www.abelard.org/turpap/turpap.htm
x
Trois exemples d'apprentissage
Un exemple ornithologique
Imaginons un etang sur lequel nagent des oies et des cygnes (nous admettons qu'il n'y a pas
d'autres oiseaux dans cette region). Le brouillard est tombe, quand arrivent deux avimateurs
dont l'un est expert et l'autre debutant. Ils n'apercoivent en arrivant qu'une partie des animaux,
de maniere peu distincte. Pour l'expert, l'identication est cependant facile (il n'est pas expert
pour rien). Quant au debutant, il doit se contenter de mesurer ce qui lui para^t caracteristique :
le niveau de gris du plumage et la taille de la bête. Pour representer le probleme, il va donc
prendre ces deux mesures sur chaque animal qu'il voit et faire un graphique : il se place ainsi
dans un certain espace de representation (gure 0.1, a gauche).
Sombre Sombre
. . o
o
.
... o
o o
Clair
. . . Clair
o o c
. o
o
. .. . c o c c
. . .. . c c c
.
. ..
c c
o
c
c c
Blanc Blanc
Taille de l’oiseau Taille de l’oiseau
Fig. 0.1 { Le premier graphique de l'avimateur debutant represente les oiseaux observes places
dans son espace de representation. Le second graphique represente les mêmes oiseaux,
mais il est etiquete par l'expert. La lettre O signie que l'oiseau est une oie, C qu'il
est un cygne.
Maintenant, comment lancer une phase d'apprentissage? Il faut que le debutant se place en
situation d'apprenant vis-a-vis de l'expert, en lui demandant quelle est la decision correcte pour
chaque oiseau. Une fois que l'expert a agi comme un professeur en donnant toutes les reponses,
notre apprenant possede un graphique enrichi (gure 0.1, a droite) qui va lui permettre de
demarrer l'apprentissage proprement dit.
Le probleme d'apprentissage est maintenant bien pose. Il peut s'enoncer ainsi : comment
trouver une regle qui decide, dans l'espace de representation choisi, avec le moins d'erreurs
possibles, quel oiseau est une oie et quel oiseau est un cygne? La regle trouvee doit posseder
de bonnes proprietes de generalisation, c'est-a-dire fonctionner au mieux non seulement sur ces
exemples expertises, mais par la suite sur des oiseaux non encore observes.
Que sera une telle regle? L'apprenant peut imaginer de tracer dans le plan de representation
une ligne (courbe ou droite) qui separe les cygnes des oies. A partir des exemples connus, il aura
alors induit une loi generale : pour tout oiseau observe qui se place (( sous )) cette ligne, il sera
decide qu'il s'agit d'un cygne, d'une oie sinon. Mais on peut tracer une innite de telles lignes.
C'est ici que l'apprenant doit preciser le type des connaissances a acquerir, le type du concept
a apprendre, en l'espece quelle est la forme generale de la ligne.
Si l'apprenant impose que la ligne soit droite, le but de l'apprentissage sera de trouver la
meilleure ligne droite, en optimisant d'un critere dont il est ma^tre. On remarque d'ailleurs
qu'aucune droite ne separe parfaitement les exemples, mais c'est le prix a payer pour un concept
aussi simple. Sur la gure 0.2 est montree la regle de decision que notre debutant en ornithologie
Avant-propos xi
peut raisonnablement produire. S'il n'impose pas de restriction aussi stricte sur la forme de la
ligne, il pourra obtenir une decision comme celle de la gure 0.3.
Sombre Sombre
o o
o o
o o
o o o o
o o c o o c
Clair Clair
o o
o o
c o c c c o c c
c c c c c c
c c c c
o
c o
c
c c c c
Blanc Blanc
Taille de l’oiseau Taille de l’oiseau
Fig. 0.2 { Une regle de decision simple et une regle de decision complexe pour separer les oies
des cygnes.
Quand le brouillard se leve, d'autres oiseaux deviennent visibles. L'apprenant peut alors
verier la qualite de la regle qu'il a apprise, toujours avec l'aide de son professeur. Dans l'exemple
donne sur la gure 0.3, il est facile de constater que la droite qu'il a choisie mene a une erreur
environ une fois sur cinq 2 . Pas trop mal, pour un debutant ! Il est assez facile de transposer cet
Sombre
o
o o
oo o
o o
o
o c
Clair
o c oo o
c o o c
c o c c c
c
c c
c o
c
c
cc c
Blanc
Taille de l’oiseau
Fig. 0.3 { Le test de la regle simple sur d'autres oiseaux.
exemple a l'ecriture d'un programme d'apprentissage. Remarquons bien qu'un tel programme
n'apprend pas tout court mais apprend quelque chose, en l'occurence une regle de decision sous
la forme d'une equation de droite dans le plan. Cet exemple est caracteristique de ce que font les
programmes de reconnaissance des formes. Ce type d'apprentissage par generalisation est d'une
immense importance methodologique et pratique.
Un exemple linguistique
Maintenant, un autre exemple. Supposons que nous disposions d'un ensemble de phrases
d'une certaine langue. Est-il possible d'ecrire un programme pour en apprendre automatiquement
la grammaire? Pour une langue naturelle, le probleme est certainement complexe, ne serait-ce
que parce qu'un tres grand nombre d'exemples est necessaire. Mais on peut essayer de le resoudre
2. La ligne courbe donnerait une erreur encore plus grande, nous reviendrons sur ce phenomene au chapitres 2 et 3 .
xii
dans le cas d'un langage articiel comme ceux qui servent a interroger les bases de donnees ou
pour un sous-ensemble bien delimite de langage naturel. Le langage des echanges entre un client
et un employe d'agence de voyage en est un exemple.
Dans de tels cas, il est eectivement possible d'apprendre une grammaire. Il faut cependant
imposer au programme des restrictions sur le type de la syntaxe que l'on cherche. L'espace de
representation est ici l'ensemble de toutes les sequences de mots possibles, dont on ne conna^t
que certaines, linguistiquement correctes. Mais comment denir la grammaire a apprendre? On
verra au chapitre 7 que si on oblige cette grammaire a être un automate ni, on peut demontrer
que tous les automates nis qui sont compatibles avec les exemples forment un ensemble limite et
structure par une relation d'ordre. Le programme d'apprentissage a alors pour tâche de chercher
le meilleur automate dans cet ensemble structure, encore une fois au sens d'un critere a lui
preciser. Remarquons encore que le programme n'apprend pas tout court, mais apprend quelque
chose : en l'espece, une grammaire representee par un automate ni.
Un exemple d'extraction de connaissances

Une compagnie d'assurances cherche a lancer un nouveau produit, destine a couvrir le risque
de vol d'objets de valeur a domocile. Elle veut faire une campagne de publicite ciblee aupres
d'une partie de ses clients. Cette compagnie ne dispose que de peu de produits du même type
et par consequent sa base de donnees ne comporte qu'une petite proportion d'enregistrements
ou un client est deja associe a une assurance contre le vol a domicile. De plus, comme ces clients
possedent deja un produit analogue, ce n'est pas vers eux qu'il faut principalement cibler la
campagne. Mais comment savoir si un client qui n'a pas encore d'assurance de ce type sera
interesse par le nouveau produit?
Une solution est de chercher un prol commun aux clients qui se sont deja montres interesses
par un produit de ce type pour viser parmi tous les clients ceux qui ont un prol analogue. Que
sera un tel prol? Dans la base de donnees, chaque client est decrit par un certain nombre de
champs, que l'on peut supposer binaires. Par exemples : (( âge inferieur a trente ans )), (( possede
une maison )), (( a un ou plusieurs enfants )), (( vit dans une zone a risque de vol )), etc. Certains
champs peuvent être non remplis: les clients qui ont seulement une assurance automobile n'ont
pas ete interroges a la constitution de leur dossier sur l'existence d'un systeme d'alarme dans
leur appartement.
Une facon de constituer un prol consiste a decouvrir des associations dans les donnees, c'est-
a-dire des implications logiques approximatives. Disons par exemple que la plupart des clients
qui possedent deja une assurance contre le vol d'objets de valeur a domicile sont plutôt a^ges et
n'ont en general qu'une voiture, mais haut de gamme. Il semble raisonnable de demarcher parmi
tous les clients ceux qui repondent au même prol. L'hypothese est donc que posseder une seule
voiture (mais de luxe) et être d'âge mûr est un prol qui implique sans doute la possession a
domicile d'objets de valeur.
Ce type d'apprentissage releve de l'extraction de connaissances et de l'apprentissage non
supervise. Ce dernier terme veut dire que le programme d'apprentissage se debrouille sans
professeur : l'expertise est presente dans les donnees, mais de maniere implicite, c'est au pro-
gramme de la decouvrir et de l'utiliser. La combinatoire sous-jacente a ce type d'apprentissage
est evidemment tres importante.
Avant-propos xiii
Organisation et plan de l'ouvrage
L'organisation de cet ouvrage va se decrire maintenant a partir de quelques remarques sur les
exemples precedents. Nous disons que, pour le premier, l'espace de recherche est peu structure.
Pourquoi cela? Parce qu'on ne peut pas dire si telle droite est meilleure que telle autre sans les
tester toutes les deux explicitement sur les donnees. Il s'agit de ce qu'on appelle en general un
probleme d'optimisation. En revanche, dans le second exemple, nous avons parle d'une relation
d'ordre entre deux solutions, intimement liee a leur qualite relative. Dans ce cas, une exploration
partielle de l'ensemble des solutions est possible ; elle sera guidee a la fois par sa structure
algebrique et par les donnees, exemples et contre-exemples, alors que seules les donnees pouvaient
conduire le programme dans le premier cas. Pour le troisieme exemple, il n'y a même pas de
guidage dans l'espace de recherche par des exemples et des contre-exemples.
Ces remarques sont cruciales pour la conception des algorithmes. C'est la raison pour la-
quelle nous avons choisi d'organiser le present ouvrage selon le critere suivant : nous traitons les
methodes d'apprentissage en commencant par celles pour lesquelles l'espace de representation
des concepts a apprendre est fortement structure, puis de celles pour lesquelles cette hypothese
doit être aaiblie et enn de celles pour lesquelles l'information a priori sur la nature des concepts
a apprendre est tres faible ou nulle.
Partie 1 : Les fondements de l'apprentissage
Une partie de fondements methodologiques est d'abord necessaire. Nous y faisons une presen-
tation generale de la problematique de l'apprentissage et nous donnons les denitions de base
(Chapitre 1 : De l'apprentissage naturel a l'apprentissage articiel). Le chapitre suivant
propose une introduction aux theories de l'apprentissage par generalisation (Chapitre 2 : Le
probleme de l'induction et les grands principes inductifs : une premiere approche).
Un approfondissement de ce theme sera fait au chapitre 17. Le chapitre suivant traite de la
representation des donnees et des connaissances et des types d'algorithmes qui sont mis en jeu
par la suite (Chapitre 3 : L'environnement methodologique de l'apprentissage).
Partie 2 : Apprentissage par exploration
Nous analysons dans la deuxieme partie les methodes d'apprentissage quand les represen-
tations des concepts forment des ensembles fortement structures. Nous l'avons appelee l'ap-
prentissage par exploration. On y trouve d'abord une methode tres generale (Chapitre 4 :
Induction et relation d'ordre : l'espace des versions), puis un chapitre sur l'apprentis-
sage dans la logique des predicats (Chapitre 5 : La programmation logique inductive).
Le chapitre suivant complete ce point de vue en montrant comment modier des concepts dans
des espaces structures (Chapitre 6 : La reformulation et le transfert des connaissances).
Le chapitre suivant (Chapitre 7 : L'inference grammaticale) traite de l'apprentissage des
automates et des grammaires. Enn les methodes d'apprentissage par evolution simulee, fondees
sur l'exploration par algorithmes genetiques, sont exposees (Chapitre 8 : L'apprentissage
par evolution simulee).
Partie 3 : Apprentissage par optimisation et interpolation
Dans la troisieme partie, les connaissances sur la structure des espaces sont plus faibles. Il
s'agit de l'apprentissage par optimisation. On y trouve le probleme de l'apprentissage de droites,
mentionne ci-dessus, et leur generalisation a des hyperplans (Chapitre 9 : L'apprentissage
de surfaces separatrices lineaires). Une extension desormais classique mene aux reseaux
xiv
connexionnistes multicouche (Chapitre 10 : L'apprentissage de reseaux connexionnistes).
Nous considerons dans la même famille l'apprentissage des arbres de decision et les techniques
de combinaison de classicateurs dont l'optimisation est cependant de nature assez dierente
(Chapitre 11 : L'apprentissage par combinaison de decisions). Le fonctionnement et
l'apprentissage des reseaux de probabilites conditionnelles est ensuite aborde (Chapitre 12 :
L'apprentissage de reseaux bayesiens). Le chapitre suivant traite comme le chapitre 7 de
l'apprentissage de certaines machines a produire des sequences, mais sous un aspect probabiliste
(Chapitre 13 : L'apprentissage de modeles de Markov caches).
Partie 4 : Apprentissage par approximation
La derniere partie, intitulee l'apprentissage par approximation, traite des methodes les moins
informees, celles ou l'espace des concepts cherches possede le moins de proprietes. Nous decrivons
d'abord les techniques d'apprentissage de regles de classication par des methodes statistiques
qui cherchent a approcher la regle de decision bayesienne. Ce chapitre inclut aussi certains aspects
de l'apprentissage par analogie, en particulier la methodes des plus proches voisins (Chapitre
14 : L'approximation de la regle de decision bayesienne).
Dans le chapitre suivant, on s'interesse aux donnees non etiquetees par un expert : il s'agit de
les organiser et d'y decouvrir des regularites et des associations (Chapitre 15 : La classica-
tion non supervisee et la decouverte automatique). Le chapitre suivant s'interesse aussi
a un apprentissage numerique de type (( punition )) ou (( recompense )), typiquement applicable
a l'apprentissage de son comportement par un robot (Chapitre 16 : L'apprentissage par
renforcement).
Partie 5 : Approfondissements et annexes techniques
Ce livre se termine par des approfondissements et par la presentation de certains points tech-
niques qui sont enonces sans demonstration dans les chapitres precedents, souvent a plusieurs
occasions. Nous revenons d'abord sur les theories de l'apprentissage par generalisation (Cha-
pitre 17 : Les grands principes inductifs : approfondissements). Parmi les annexes,
celles qui traitent de l'algorithme estimation-maximisation et de l'optimisation par gra-
dient sont sans doute les plus referencees dans les chapitres precedents.
Le livre se conclut par une bibliographie decoupee en deux parties : la premiere donne des
references generales recommandees pour leur qualite et leur accessibilite, essentiellement des
livres. La seconde liste donne les references des autres livres, des articles et des rapports cites
dans le texte.
Guide de lecture
Apres plus de quarante ans de recherches et de realisations en apprentissage articiel, il est
dicile pour un non initie de savoir comment aborder ce domaine et comment s'y orienter.
Nos collaborations avec des utilisateurs des techniques d'apprentissage et avec des chercheurs
d'autres disciplines, comme notre activite d'enseignement et d'encadrement avec nos etudiants,
nous ont amplement montre l'interêt d'un ouvrage d'introduction coherent, articule autour de
grandes lignes directrices.
Il existe deja des livres d'enseignement et de recherche sur pratiquement chaque sujet aborde
dans les chapitres de ce livre et nous ne manquons pas d'y faire reference. Mais si la somme des
connaissances qui s'y trouvent est au total bien superieure a celle contenue dans notre livre, leur
lecture conduit a des contradictions dans les notations, a des approfondissements theoriques
Avant-propos xv
de niveau tres variable, a des analyses dierentes du même probleme et a des presentations
redondantes voire contradictoires des mêmes sujets.
Il nous a donc paru que la discipline de l'apprentissage articiel pouvait être presentee de
maniere uniee, dans un but d'abord didactique. Ce souci commande le fond comme la forme
de cet ouvrage.
Compte tenu de la variete technique des sujets abordes et de l'interêt personnel de chaque
lecteur (autodidacte, enseignant ou etudiant), des parcours dierents peuvent être suivis pour
la lecture de cet ouvrage.
Nous proposons en particulier les itineraires suivants, mais ce n'est pas exclusif :
1. Pour une vue d'ensemble sur l'apprentissage articiel, un rapide apercu des methodes
et un point de vue sur leurs applications :
chapitres 1, 2 (paragraphes 2.1 et 2.2), 3 et 4.
2. Pour un point de vue approfondi sur les principes methodologiques, en particulier

statistiques de l'apprentissage :
chapitres 1, 2, 3, 8, 9, 11, 14, 15 et 17.
3. Pour comprendre l'apprentissage de phenomenes essentiellement numeriques et pour les
applications a la reconnaissance des formes :
chapitres 1, 2 (paragraphes 2.1 et 2.2), 3, 9, 10, 11, 13, 14, 15 et 16.
4. Pour acquerir un point de vue sur l'apprentissage dans les systemes experts et le trai-
tement des donnees symboliques :
chapitres 1, 3, 4, 5, 7, 8, eventuellement 6, 12, 14 et eventuellement 16.
5. Pour qui veut realiser l'apprentissage de concepts a partir de donnees sequentielles
(signaux, textes, etc.) :
chapitres 1, 3, 5, 6, 11 et 13.
6. Pour qui s'interesse plus a la robotique, l'apprentissage de comportement :
chapitres 1, 3, 7, 12, 13, 14 et 16.
7. Pour qui s'interesse a la fouille de donnees, a l'extraction de connaissances :
chapitres 9, 10, 11, 12, 14 et 15.
La situation de l'apprentissage dans l'intelligence articielle

La gure 0.4 presente la situation des techniques d'apprentissage dans le paysage de l'in-
telligence articielle et ses relations avec les concepts cle de cette discipline: representation des
connaissances, raisonnement, type d'algorithme. Cette gure permet en particulier de faire le
point sur l'avancement de l'apprentissage dans la perspective de l'ouvrage classique edite par
Schavlik et Dietterich ([SD90]).
Les applications industrielles de l'apprentissage articiel a l'ex-

traction de connaissances des donnees
Nous avons dit plus haut, sans detailler, que l'extraction de connaissances des donnees (ECD)
a resolu les deux problemes industriels principaux de l'analyse des donnees : le fait que le client
est souvent imprecis dans la denition du probleme qu'il se pose et le fait que les donnees dont il
dispose sont souvent de qualite discutable. Ce paragraphe reprend ce point plus en detail avant
de faire un panorama de l'etat de l'art de l'industrie ECD.
xvi
Fig. 0.4 { L'apprentissage articiel symbolique du point de vue de l'intelligence articielle.
Intelligibilite des modeles, nettoyage des donnees

La solution technique apportee par l'ECD au premier probleme est liee a l'intelligibilite du
modele construit automatiquement. Un systeme de fouille de donnees produit des connaissances
qui peuvent se trouver sous des formes variees selon la methode d'apprentissage utilisee : des
arbres de decision (chapitre 11), des regles d'association (chapitre 15), des probabilites condi-
tionnelles (chapitres 12 et 14), etc. Nous illustrons ce point dans la suite de ce livre, pour chacune
des methodes decrites. Dans tous les cas, il est capital que le client comprenne parfaitement bien
le sens des modeles fournis, car il apprend, en même temps que de nouveaux modeles lui sont
decrits, l'information implicite contenue dans ses donnees, et il est le seul a pouvoir decider de
ce qu'est une information interessante. L'experience quotidienne de l'analyste de donnees est
qu'il produit souvent des quantites de connaissances encore plus importantes que les donnees
dont il est parti. Posseder une denition precise des facons de selectionner ce qui interessant est
par consequent capital. Mais, comme nous venons de la souligner, seul le client est capable de
savoir le type des connaissances qui lui manquaient jusqu'alors et que la fouille de donnees est a
même de lui fournir. L'ensemble du procede d'extraction de connaissances est donc une boucle
au sein de laquelle le client joue le rôle de biais, permettant de conserver certaines connaissances
et d'en rejeter d'autres. Au cours de cette boucle, le probleme que se pose le client s'ane pour
converger (on l'espere) vers un probleme bien pose.
Le second probleme est lie a ce que l'on appelle le nettoyage des donnees, sur lequel nous
reviendrons aussi plus en detail au chapitre 3. Divers cas peuvent se combiner : les donnees sont
Avant-propos xvii
sujettes a des bruits de mesure, elles contiennent des point aberrants, les variables de description
se recouvrent partiellement ou dependent l'une de l'autre, etc.
D'apres les donnees sur l'ECD industrielles presentees par G. Piatetsky-Shapiro sur le site
Web www.kdnuggets.com environ quinze compagnies se consacrent presque exclusivement au
probleme du nettoyage des donnees. Il est facile de constater egalement que chacune des cent
cinquante compagnies environ presentees sur ce site aborde ce probleme. Il est par ailleurs
frappant de remarquer que la compagnie qui a gagne les deux premieres competitions organisees
par le congres international KDD, en 1995 et 1996, vantait ses methodes de preparation des
donnees plutôt que la puissance de ses algorithmes d'induction.
Les conseils de la societe Oracle

Les deux problemes de l'intelligibilite et du nettoyage sont presents dans les conseils que
donne la compagnie Oracle (voir les points 11 et 12 ci-dessous), bien connue pour ces systemes
de gestion de bases de donnees, et qui a developpe ces dernieres annees, le logiciel Oracle Data
Mining Suite. C'est maintenant une des ores importantes de cette compagnie. Sur son site,
cette compagnie fournit (( douze conseils pour le succes en ECD )) qui resument son experience
en ce domaine. Voici l'ensemble des conseils de la societe Oracle.
1. Extraire a partir d'encore plus de donnees
Il ne serait pas absurde que pour repondre a l'accroissement des donnees stockees sous
forme electronique, l'ECD dirige son eort en direction du developpement de methodes de
plus en plus ecaces d'echantillonnage. Sans que cette option soit negligee, il est frappant
de constater que la majorite des outils ne fassent, en quelque sorte, que se resigner a re-
courir a l'echantillonnage. En fait, les logiciels industriels se vantent de leur rapidite et de
leur capacite a traiter des masses enormes de donnees plutôt que de l'usage d'un procede
d'echantillonnage rane. En parallele, la recherche universitaire montre une attitude as-
sez comparable. Tout se passe comme si on voulait soutenir que toutes les donnees sont
signicatives et qu'aucune ne doit être negligee. Cette attitude est d'ailleurs assez raison-
nable, dans la mesure ou les methodes d'entrepôts de donnees permettent deja d'eectuer
des operations sur les donnees (par exemple des moyennes) qui reviennent a une forme
d'echantillonnage.
2. Creer de nouvelles variables pour mieux faire parler les donnees
La creation de nouvelles variables, de nouveaux attributs, pour mieux decrire la situa-
tion est un probleme classique(chapitre 3). On l'appelle parfois (( induction constructive ))
en apprentissage automatique. Un autre probleme universitaire classique est celui dit de
(( s
election des attributs )) (chapitre 3), ou on ne cree pas de nouvelles variables, mais ou on
tente d'eliminer les attributs inutiles. Les resultats industriels et universitaires convergent :
la meilleure facon d'ameliorer a la fois precision et intelligibilite est de proposer des com-
binaisons astucieuses des variables de depart. Par exemple, sur des donnees bancaires,
au lieu de laisser separees les variables decrivant le revenu et la situation familiale d'un
client, il est bien plus interessant de creer une nouvelle variable combinant son revenu et
sa situation familiale de facon a rendre compte directement de ses revenus eectifs.
3. Utiliser une strategie (( en surface d'abord ))
Ceci n'est pas un conseil pour rester superciel, mais pour rechercher d'abord les modeles
ou les formes les plus evidents dans les donnees, avant de commencer a rechercher des
modeles profonds et complexes. De toute facon, il est bon de savoir en priorite si les
modeles simples engendres correspondent ou non aux besoins du client.
xviii
4. Construire rapidement plusieurs modeles explicatifs.
Même commentaire que pour 3 et voir 12 ci-dessous.
5. Oublier les pratiques traditionnelles d'hygiene en matiere de donnees
La encore, le conseil est de chercher a accelerer le processus plutôt que d'en assurer la
validite avant la creation du modele : les procedures de validation sont mises en route a la
n du processus et non prealablement a celui-ci.
6. Enrichir les donnees de donnees exterieures
Il est en eet possible que des descripteurs signicatifs aient ete oublies dans une premiere
passe de denition du probleme. Il est important de remedier a ces eventuels oublis.
7. Segmenter d'abord les clients et construire des modeles multibuts
La segmentation, appelee classication non supervisee dans le vocabulaire universitaire
(chapitre 15), consiste a creer des classes permettant de regrouper les objets etudies les
plus semblables. Il est probable que le probleme pose par le client n'ait aucune solution
generale (sinon, il l'aurait deja trouvee !) et que seule une decomposition du probleme en
sous-problemes permette de trouver une solution. La segmentation, et chaque essai dierent
de segmentation, est une facon particulierement ecace de creer des sous-problemes. En
eet, des formes cachees au sein des donnees et qui ne sont pas signicatives pour l'ensemble
des donnees peuvent le devenir pour une sous-classe.
Un exemple frappant de ce phenomene se rencontre en detection de fraude. L'ensemble des
sujets etudies contient generalement tres peu de fraudeurs et les formes caracteristiques
de la fraude sont noyees dans celles de la non-fraude. Une segmentation prealable permet
de distinguer les non-fraudeurs evidents des soupconnables de fraude et c'est au sein de
cette derniere classe qu'on va chercher a detecter les vrais fraudeurs.
8. Construire automatiquement les modeles
Ce conseil est equivalent a : (( utiliser des techniques inductives pour la creation de modeles,
c'est-a-dire des algorithmes d'apprentissage articiel )). Dans le contexte de l'ECD dont
c'est un des rôles, ce conseil peut sembler evident. Dans le contexte industriel en general,
les methodes de l'apprentissage articiel sont encore considerees avec une certaine sus-
picion, en particulier du fait de leur nouveaute. La compagnie Oracle conseille pourtant
d'utiliser ces methodes dont l'etude est le sujet ce livre.
9. Varier les sources de donnees
Ce conseil est en quelque sorte symetrique du conseil 6. Celui-la venait du soupcon que
des descripteurs aient pu être oublies, celui-ci vient du soupcon que des formes puissent
être dissimulees de facon irrecuperable dans certaines donnees, mais pas dans toutes les
donnees. Quand une forme a ete reperee comme importante pour certaines donnees, il est
toujours plus facile de verier si elle l'est aussi pour d'autres donnees.
10. Interpreter les resultats en termes du domaine d'application par une methode
de retro-ingenierie
Ce conseil est certainement un des plus signicatifs et des plus diciles a implementer.
Les utilisateurs de l'ECD reclament constamment plus d'intelligibilite des connaissances
extraites. Inversement, un souci constant des createurs d'outils est de faire des outils per-
formants et justies. Les outils de creation de modeles, en particulier les outils statistiques,
se sont developpes selon une logique qui ne poussait pas a l'intelligibilite de leurs resultats.
Les chercheurs qui veulent aujourd'hui faciliter leur usage par une plus grande intelligi-
bilite se heurtent a des problemes diciles. Au lieu de recreer des outils produisant des
resultats directement intelligibles (ce qui est d'ailleurs une tâche convenant mieux a la re-
Avant-propos xix
cherche universitaire), Oracle conseille de developper des outils de retro-ingenierie aidant
l'utilisateur a recrire le modele obtenu dans son propre langage.
11. Completer les donnees manquantes
Ce probleme est a la fois classique et profond. Il releve du nettoyage de donnees dont
nous avons deja parle. Chaque systeme existant comporte une methode pour prendre en
compte les donnees manquantes. A notre connaissance, il n'existe pas d'outil analysant
la nature du manque et proposant une solution adaptee a ce manque. Par exemple, des
donnees peuvent être manquantes parce que le champ est extrêmement dicile ou coûteux
a mesurer. Ce cas est dierent de celui ou les donnees manquent parce que le champ a ete
mal deni (comme le champ (( cancer de la prostate )) dans une base de donnees comportant
des femmes). Le conseil d'Oracle est pragmatique. Il serait etonnant que toutes les causes
possibles de donnees manquantes se trouvent au sein des donnees d'un client particulier.
Il est donc plus sain d'etudier ce probleme au cas par cas, et d'appliquer des solutions
particulieres.
12. Utiliser plusieurs modeles de prediction a la fois
La recherche universitaire a cree de nombreuses procedures qui utilisent plusieurs modeles
a la fois, comme les (( forêts )) de decision (qui comportent plusieurs arbres de decision),
le bagging et le boosting (voir le chapitre 11) qui utilisent des procedures de vote pour
choisir le modele qui sera applique sur une donnee nouvelle. Le but de ces procedures
est en general d'ameliorer la precision des previsions du modele. Mais ce n'est pas ce que
signie le conseil d'Oracle. Il s'agit ici plutôt d'ameliorer la comprehension du client en lui
presentant plusieurs modeles, chacun d'entre eux soulignant un aspect des donnees, au lieu
de presenter un seul modele melangeant, de facon peu comprehensible, plusieurs points de
vue dierents.
Nous allons maintenant etudier les outils, les methodes et les besoins du marche de l'ECD. Pour
ceci, nous allons analyser les resultats d'enquêtes menees par G. Piatetsky-Shapiro (GPS) sur
son site dedie au marche industriel de l'ECD.
Les outils utilises par les compagnies couvrant une part appreciable du marche
Au-dela de la diversite des approches des diverses compagnies, on peut noter qu'elles ont
deux traits en commun.
Le premier est que toutes les compagnies se vantent de l'intelligibilite de leurs resultats,
quelles que soient les methodes inductives (c'est-a dire les algorithmes d'apprentissage)
utilisees. Cette constance souligne l'importance capitale de l'intelligibilite des resultats
obtenus sur le marche de l'ECD.
Le second point presente deux versants complementaires :
{ d'une part, chaque compagnie possede une methode d'induction phare qu'elle pretend
être superieure aux autres ;
{ d'autre part, il existe peu de compagnies qui ne proposent pas un eventail de produits
varies.
L'exemple de la societe CART est typique. Cette compagnie, dediee au depart aux arbres
de regression (le RT de CART signie regression trees), ore maintenant des arbres ou
des regles de decision (chapitre 11), des reseaux connexionnistes (chapitre 10), des reseaux
bayesiens (chapitre 12) et des reseaux de dependance, des machines a vecteurs supports
(SVM, chapitre 9), des approches utilisant la theorie des ensembles approximatifs (rough
sets) et les approches par algorithmes genetiques (chapitre 8).
xx
Compagnie Outils de base Oct 99 Ju 00 Oct 01 Plan 02 % St/Sy

SPSS AD, RN 17 % 20 % 18 % 13 % St : 9 %
Clementine St, ass Sy : 9 %
Megaputer symb 1% 1% 6% 13 % Sy : 6 %
SAS st 26 % 32 % 18 % 18 % St : 18 %
Urban Science reg 5% 1% 12 % St : 1 %
Gain-Smarts
MINEit ? 6% non sig
Easy-Miner
Angoss RN, reg 3% 7% 3% 5% St : 2 %
2 , AD Sy : 1 %
Oracle Darwin ass + sg 2% 2% 5% Sy : 2 %

IBM Iminer ass, sg 7% 9% 3% 4% St : 1 %
sq, cl Sy : 2 %
Business Objects A.Dec 3%
Alice
SGI Mineset A.D, V 4% 5% 2% 3% Sy : 2 %
SPSS AR 15 % 16 % 2% St : 16 %
Answer-Tree
CART/ MARS AR 6% 7% 11 % 3% St : 11 %
Model 1 1% 2%
Quadstone 1% 1%
Statistica St 2% 2% 1% St : 2 %
Wizsoft 1% 1%
WhiteCross 0%
Xanity 1% 0% 0%
Autres 8% 20 % 11 % 7% 12 % non sig.
Total: non signicatif du point de vue % St/Sy 18 %
Total : outil plutôt statistique 60 %
Total : outil plutôt symbolique 22 %
Tab. 0.1 { Les outils utilises par les entreprises en ECD
Legende AD = arbres de decision ; V = methodes de
visualisation; ass = regles d'association ;
AR = arbres de regression ; reg = methodes de regression ;
st = outils statistiques et d'analyse des donnees, y compris
regression ; RN = reseaux connexionnistes ;
symb = methodes de nature symbolique non expliquees en
detail par l'industriel; 2 = tests du 2 ;
sq = utilisation de sequences ;
sg = segmentation, c'est-a-dire classication automatique ;
cl = methodes de classication ; ? = totalement obscur ;
non sig = non signicatif pour cet indice.
Avant-propos xxi
On constate dans le tableau 0.2 que les outils statistiques sont utilises a environ 60 % et les
outils symboliques a environ 40 %. Dans le tableau 0.2, la proportion est un peu plus faible pour
les outils symboliques : ils sont un peu moins vendus qu'utilises. Ceci etant, il reste que l'ECD
est une grande consommatrice d'outils statistiques et les techniques de retro-ingenierie semblent
compenser leur relative diculte d'usage.
Les enquêtes de GPS sont relatives a des compagnies plutôt qu'a des outils proprement dits.
La colonne (( outils de base )) du tableau 0.1 est donc issue de nos propres connaissances sur les
outils vendus par ces compagnies, quand cette information peut être obtenue.
An d'evaluer les parts de marche respectives des outils statitiques et des outils symboliques
nous avons aussi evalue en gros cette part pour chacune des compagnies. Le symbole St designe
un outil plutôt statistique et le symbole Sy un outil plutôt symbolique. Le symbole % St/Sy
designe une evaluation du rapport entre outils statistiques et outils symboliques. L'ensemble de
l'enquête est resume dans le tableau 0.1.
Reseaux connexionnistes 13 % St: 13 %

Arbres de decision /Regles 19 % Sy: 19 %
Regression Logistique 14 % St: 14 %
Statistiques 17 % St: 17 %
Bayesien 6% St: 3 % Sy: 3 %
Visualisation 8% St: 4 % Sy: 4 %
Regles d'association 7% Sy: 7 %
Methodes hybrides 4% St: 2 % Sy: 2 %
Fouille de textes (non signicatif) 2 % ns: 2 %
Fouille de la toile (non signicatif) 5 % ns: 5 %
Agents (non signicatif) 1% ns: 1 %
Autres (non signicatif) 4% ns: 4 %
Total: non signicatif 12 %
Total : outil plutôt statistique 53 %
Total : outil plutôt symbolique 35 %
Tab. 0.2 { Enquête de GPS : (( Quelles techniques d'ECD utilisez-vous regulierement? )) (Août
2001)
Les domaines d'application des methodes inductives de fouille de donnees

Le tableau 0.3 combine une enquête de GPS ((( A quoi avez-vous applique l'extraction de
connaissances? ))) et notre estimation en 1998. Cette derniere calcule le pourcentage de compa-
gnies declarant travailler sur une application. Une compagnie peut être comptee plusieurs fois
pour des applications dierentes.
On remarque l'accroissement des applications bancaires, du commerce electronique et des
telecommunications, ainsi que la decroissance des applications commerciales classiques. Les
quelques rubriques representees en 1998 qui ont disparu sont dans le tableau 0.4.
L'attrition 3 etait plus connue en France sous le nom de churn (barattage); il semble que les
3. Il s'agit du probleme des abonnes fuyants. Voir aussi au chapitre 3, page 117.
xxii
Application 1998 (estimation) mai 2001 plans pour 2002
Banque 6% 17 % 13 % (++)
Biologie/Genetique 8% 8% 8%
Vente directe/Relations clientele 22 % 11 % (- -)
Commerce electronique/Toile 6%/0% 15 % 10 % (++)
Jeux 1.5 % 1%
Detection des fraudes 10 % 8% 11 %
Assurance 4% 6% 6%
Investissement/Gestion des stocks 9% 4% 4 % (- -)
Fabrication 4%
Produits pharmaceutiques 5% 5% 6%
Vente au detail 15 % 6% 6 % (- -)
Science 8% 6%
Securite 2%
Telecommunications 2.5 % 11 % 8 % (++)
Autres 11 % 11 % 5%
Tab. 0.3 { Les domaines d'application.
Education 2%
Lutte contre la criminalite 1 %
Fidelisation / Attrition 8%
Tab. 0.4 { Les domaines d'application disparus depuis 1998.
applications en ce domaine soient terminees.

Environ 50 % des compagnies qui vendent de l'ECD le font grâce a des produits dedies aux
relations clientele. Ce marche qui a ete orissant en 1998 semble se retrecir rapidement. L'ex-
plication de ce phenomene se trouve peut-être dans les resultats de l'enquête suivante de GPS,
dont les resultats sont presentes dans le tableau 0.5 : (( Quelle est votre experience d'echecs de
projets en relations clientele )) ?
% declares comme echec % d'utilisateurs dans cette tranche Total partiel

0 - 20 % 11 %
21 - 40 % 16 % 27 %
41 - 60 % 33 % 33 %
61 - 80 % 29 %
40 % 81 - 100 % 11 %
Tab. 0.5 { Le succes en relations clientele.
En conclusion, les usagers signalent a peu pres 50% de reussites de l'ECD en relations
clientele, ce qui est insusant pour assurer le succes commercial de cette approche.
Un dernier facteur relatif aux applications est celui du type des donnees analysees. C'est
ce que determine cette autre enquête de GPS (tableau 0.6) (( Quel type de donnees avez-vous
analysees en 2001 )) ?
On remarque que les usagers montrent des besoins importants en fouille de textes, ce qui
Avant-propos xxiii
Flot des clics sur la Toile 13 %
Contenu de la Toile 14 %
Textes 18 %
Bases de connaissance 8%
Donnees XML 8%
Images 4%
Donnees audio/video 2%
Donnees de CAO 1%
Series temporelles 16 %
Autres donnees complexes 17 %
Tab. 0.6 { Les donnees analysees. Le (( ot des clics sur la Toile )) designe le Web clickstream.
est d'autant plus vrai qu'on y ajoute les analyses du contenu de la Toile qui est une forme de
fouille de textes. Ce domaine d'importance industrielle extrême est relativement peu etudie par
les specialistes d'ECD et la plupart des outils utilises viennent de la communaute du traitement
automatique de la langue naturelle.
Le probleme de l'intelligibilite
Comme nous l'avons deja plusieurs fois remarque, le probleme de l'intelligibilite est capital.
Les methodes d'induction ne sont en general pas (( naturellement )) intelligibles, c'est pourquoi un
eort de retro-ingenierie est toujours necessaire. Pour illustrer une facon de realiser cet eort,
prenons l'exemple du CoIL Challenge 2000. Il s'agit d'une competition ou on demandait de
prevoir et de decrire le comportement d'acheteurs de caravanes a partir d'une base de donnees.
La tâche de prevision etait jugee selon des criteres de precision et celle de description selon des
criteres d'intelligibilite.
Le vainqueur de la tâche de prediction a utilise un apprentissage bayesien naf (chapitre 14),
ce qui conrme le fait que cette methode est a la fois simple d'implementation et d'une grande
precision en prediction. En revanche, elle ne fournit aucune explication quand a la facon dont elle
prend des decisions. Les vainqueurs de la tâche de description ont utilise une interessante combi-
naison de methodes statistiques et symboliques. Les auteurs utilisent des algorithmes genetiques
(chapitre 8) pour engendrer la structure d'un reseau connexionniste (chapitre 10). Ils sont moins
precis en resultats purs que le vainqueur, mais ils obtiennent au passage de precieuses informa-
tions sur les attributs les plus signicatifs pour la tâche de classication. Pour l'intelligibilite,
c'est-a-dire la tâche de description des consommateurs, ils combinent trois approches. D'abord,
ils essaient de creer un grand nombre d'attributs comprehensibles, comme par exemple la taille
de la famille, le caractere estime plus ou moins carrieriste des individus, le nombre de bicyclettes
dans la famille, etc. Ensuite, ils utilisent un test statistique du 2 pour mesurer l'importance
relative des descripteurs dans leur contribution a la solution. Enn, ils engendrent des regles
d'association sur les descripteurs signicativement relies a la solution pour conclure sur l'achat
d'une caravane. Avec ces restrictions, il s'avere qu'ils obtiennent seulement sept regles ayant un
support superieur a 10 %, ce qui fournit un ensemble bien comprehensible de regles decrivant
l'acheteur de caravanes.
Il est remarquable que les statistiques et les reseaux connexionnistes, deux methodes fonciere-
ment numeriques, soient utilisees ici pour ameliorer la comprehension des resultats d'apprentis-
sage de regles symboliques.
Avant-propos xxv
Quelques termes et faux-amis anglais-francais.
Apprentissage Learning
Apprentissage articiel ou automatique Machine Learning
Apprentissage par cur Rote learning
Attribut Feature ou attribute
Attribut numerique Continuous valued attribute
Attribut arborescent Tree-structured attribute
Classication automatique Clustering
Distributions bienveillantes Benign distributions
E lagage Pruning
Escalade Hill-climbing
Exemple Example ou instance

Fouille de donnees Data mining
Hypothese coherente (complete et correcte) Consistant (complete and correct) hypothesis
Objet ou forme ou observation Object ou instance
Perte Loss
Pertinence du principe ERM Consistancy of ERM principle
Plus proche voisin Nearest neighbor ou neighbour
Produit scalaire Inner product
Professeur Teacher
Regle de classication ou de classement Classication rule ou Classier
Reconnaissance des formes Pattern Recognition
Reseau connexionniste Neural network
Surapprentissage Overtting
Performance Fitness
Notations
Notations generales
P Une probabilite
p Une densite de probabilites
IN L'ensemble des entiers naturels
IRd L'espace euclidien de dimension d
IBd = f0; 1gd L'espace booleen de dimension d
O 0 1 L'ordre de grandeur maximal de complexite d'un algorithme
x 1
x = @ .. C
B . A Un vecteur
xd
xT = (x1 ; : : : ; xd ) Un vecteur transpose
jj x jj La norme du vecteur x
M ;1 La matrice inverse d'une matrice carree M
MT La matrice transposee d'une matrice M
M+ La matrice pseudo-inverse d'une matrice M .
Par denition, M + = M T (MM T );1
(x; y) La distance euclidienne entre deux vecteurs x et y de IRd
@
@x f (x; y) La derivee partielle par rapport a x
de la fonction f des deux variables x et y
rAJ (A; B) Le vecteur derive par rapport au vecteur A
de la fonctionnelle J des deux vecteurs A et B
Les elements en jeu dans l'apprentissage
X L'espace de representation des objets (des formes)
U L'espace de supervision (des sorties desirees)
S L'echantillon d'apprentissage (un ensemble ou une suite d'exemples)
S+ Les exemples positifs
S; Les exemples negatifs
A L'echantillon d'apprentissage quand on divise S en A, T et V
xxviii
T L'echantillon de test
V L'echantillon de validation
m La taille d'un echantillon d'apprentissage (le nombre d'exemples)
zi = (xi; ui) Un exemple (element d'un echantillon d'apprentissage)
xi La description d'un objet dans un espace de representation
xij La valeur de la coordonnee j de la description de l'objet xi dans IRd
Les principes de l'apprentissage inductif
ui La supervision, ou sortie desiree, d'un exemple
f :X !U La fonction cible (celle que l'on cherche a apprendre)
H L'espace des hypotheses d'apprentissage

h2H Une hypothese produite par un apprenant (un algorithme d'apprentissage)
y = h(x) La prediction faite par l'hypothese h sur la description x d'un exemple
l(f; h) La perte (ou distance) entre la fonction cible et une hypothese
RReel Le risque reel
REmp Le risque empirique
hH L'hypothese de H qui minimise le risque reel
hS ;H L'hypothese de H qui minimise le risque empirique sur S
halgo;S ;H L'hypothese trouvee par un algorithme ayant S en entree
et cherchant hS ;H dans H
L'apprentissage d'une regle de classication
C L'ensemble des classes
C Le nombre de classes
!i Une classe de C
La logique
a^b a ET b, quand a et b sont des valeurs binaires
a_b a OU b
:a NON a
a!b a implique b
Table des matieres
Avant-propos v
Quelques applications de l'apprentissage articiel. . . . . . . . . . . . . . . . . . . . . . vi

Quelques denitions de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
Deux champs industriels de l'apprentissage articiels : la reconnaissance des formes et
la fouille de donnees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Les caracteristiques de l'apprentissage articiel . . . . . . . . . . . . . . . . . . . . . . viii
Trois exemples d'apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x
Organisation et plan de l'ouvrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
Guide de lecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiv
La situation de l'apprentissage dans l'intelligence articielle . . . . . . . . . . . . . . . xv
Les applications industrielles de l'apprentissage articiel a l'extraction de connaissances
des donnees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xv
Notations xxvii
I Les fondements de l'apprentissage 1

1 De l'apprentissage naturel a l'apprentissage articiel 3
1.1 L'apprentissage articiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Deux exemples : apprendre a jouer, apprendre a lire . . . . . . . . . . . . . . . . 5
1.2.1 Apprendre a jouer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Apprendre a reconna^tre des caracteres manuscrits . . . . . . . . . . . . . 7
1.3 Deux approches : la cybernetique et les sciences cognitives . . . . . . . . . . . . . 9
1.3.1 La cybernetique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Le pari du cognitivisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Les concepts de base de l'apprentissage . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Un scenario de base pour l'induction . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 Quelques notions cles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 L'induction vue comme une estimation de fonction . . . . . . . . . . . . . 18
1.5 L'induction comme un jeu entre espaces . . . . . . . . . . . . . . . . . . . . . . . 20
1.5.1 L'apprentissage est impossible... . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.2 ... sans limiter l'espace des hypotheses . . . . . . . . . . . . . . . . . . . . 23
1.5.3 L'exploration de l'espace des hypotheses . . . . . . . . . . . . . . . . . . . 26
1.6 Retour sur l'organisation de l'ouvrage . . . . . . . . . . . . . . . . . . . . . . . . 27
xxx Table des matieres
2 Premiere approche theorique de l'induction 35

2.1 Deux exemples d'induction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.1 Le systeme Arch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.2 Le perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2 Approche de l'induction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2.1 Le compromis biais-variance . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2.2 Comment denir formellement le probleme de l'induction? . . . . . . . . . 45
2.2.3 Quel principe inductif adopter? Une introduction . . . . . . . . . . . . . . 46
2.2.4 Comment analyser l'apprentissage? . . . . . . . . . . . . . . . . . . . . . . 48
2.3 Analyse dans le pire cas : l'apprentissage PAC . . . . . . . . . . . . . . . . . . . . 49
2.3.1 E tude des conditions de validite de l'ERM . . . . . . . . . . . . . . . . . 50
2.3.2 Le cas de la discrimination: l'analyse PAC . . . . . . . . . . . . . . . . . 53
2.4 Analyse dans un cas moyen : l'analyse bayesienne . . . . . . . . . . . . . . . . . . 57

2.4.1 Nature de l'analyse bayesienne . . . . . . . . . . . . . . . . . . . . . . . . 58
2.4.2 Le risque bayesien et la decision optimale . . . . . . . . . . . . . . . . . . 59
2.4.3 Cas particuliers de la decision bayesienne . . . . . . . . . . . . . . . . . . 60
2.4.4 Panorama des methodes inductives dans le cadre bayesien . . . . . . . . . 63
2.4.5 Et si l'espace des hypotheses ne contient pas la fonction cible? . . . . . . 63
2.4.6 En resume : la procedure inductive bayesienne . . . . . . . . . . . . . . . . 64
2.5 Discussion : Quels types d'analyses et de principes inductifs? . . . . . . . . . . . 64
2.6 Les grands principes inductifs avec regulation des hypotheses . . . . . . . . . . . 65
2.6.1 L'idee generale : le reglage de la classe d'hypotheses . . . . . . . . . . . . 66
2.6.2 La selection de modeles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.7 Discussion et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.8 Notes historiques et bibliographiques . . . . . . . . . . . . . . . . . . . . . . . . . 69
3 L'environnement methodologique de l'apprentissage 73
3.1 L'espace des donnees d'apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.1.1 La representation des objets de l'apprentissage . . . . . . . . . . . . . . . 76
3.1.2 Le pretraitement des donnees . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.2 L'espace des hypotheses d'apprentissage . . . . . . . . . . . . . . . . . . . . . . . 86
3.2.1 Le probleme general de la representation des connaissances . . . . . . . . 86
3.2.2 La classication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.2.3 La regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.2.4 Les distributions de probabilites . . . . . . . . . . . . . . . . . . . . . . . 90
3.2.5 Les arbres de decision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.2.6 Les hierarchies de concepts . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2.7 Les reseaux bayesiens et les modeles graphiques . . . . . . . . . . . . . . . 92
3.2.8 Les cha^nes de Markov et les modeles de Markov caches . . . . . . . . . . 93
3.2.9 Les grammaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.2.10 Les formalismes logiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.3 La recherche dans l'espace des hypotheses . . . . . . . . . . . . . . . . . . . . . . 96
3.3.1 Caracterisation de l'espace de recherche . . . . . . . . . . . . . . . . . . . 96
3.3.2 Caracterisation des fonctions de coût . . . . . . . . . . . . . . . . . . . . . 96
3.3.3 Les methodes d'optimisation . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.4 L'evaluation de l'apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.4.1 L'evaluation a priori : criteres theoriques . . . . . . . . . . . . . . . . . . . 103
3.4.2 L'evaluation empirique a posteriori : generalites . . . . . . . . . . . . . . . 104
Table des matieres xxxi
3.4.3 Risque empirique et risque reel . . . . . . . . . . . . . . . . . . . . . . . . 105
3.4.4 La selection de modele en pratique . . . . . . . . . . . . . . . . . . . . . . 106
3.4.5 L'estimation du risque reel d'une hypothese . . . . . . . . . . . . . . . . . 111
3.4.6 Le reglage des algorithmes par un ensemble de validation . . . . . . . . . 115
3.4.7 D'autres criteres d'appreciation . . . . . . . . . . . . . . . . . . . . . . . . 117
3.5 La comparaison des methodes d'apprentissage . . . . . . . . . . . . . . . . . . . . 118
3.5.1 La comparaison de deux hypotheses produites par un même algorithme
sur deux echantillons de test dierents. . . . . . . . . . . . . . . . . . . . 119
3.5.2 La comparaison de deux algorithmes sur des ensembles de test dierents . 119
3.5.3 La comparaison de deux algorithmes sur le même ensemble de test . . . . 120
II Apprentissage par exploration 123

4 Induction et relation d'ordre : l'espace des versions 125
4.1 Les concepts de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.1.1 La description des attributs, la description des concepts . . . . . . . . . . 128
4.1.2 Les selecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.1.3 La relation de generalite entre les hypotheses . . . . . . . . . . . . . . . . 129
4.1.4 La relation entre un objet et un concept . . . . . . . . . . . . . . . . . . . 131
4.2 La structuration de l'espace des hypotheses . . . . . . . . . . . . . . . . . . . . . 132
4.2.1 Preliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.2.2 Un exemple : les paires de rectangles . . . . . . . . . . . . . . . . . . . . . 133
4.2.3 Un ordre partiel sur l'espace des hypotheses . . . . . . . . . . . . . . . . . 134
4.2.4 Quelques operateurs de specialisation et de generalisation . . . . . . . . . 136
4.2.5 Quelques proprietes utiles d'un espace structure par une relation d'ordre
partiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.3 La construction de l'espace des versions . . . . . . . . . . . . . . . . . . . . . . . 139
4.3.1 Illustration : retour sur l'exemple des rectangles . . . . . . . . . . . . . . . 139
4.3.2 L'algorithme d'elimination des candidats . . . . . . . . . . . . . . . . . . . 140
4.3.3 Deux exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.3.4 Un exemple d'application : le systeme LEX . . . . . . . . . . . . . . . . . 148
4.4 Analyse de l'algorithme d'elimination de candidats . . . . . . . . . . . . . . . . . 149
4.4.1 Complexite au pire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
4.4.2 Le point de vue de l'apprentissage PAC . . . . . . . . . . . . . . . . . . . 150
4.5 La representation des connaissances par un treillis de Galois . . . . . . . . . . . . 151
4.5.1 La construction de la structure . . . . . . . . . . . . . . . . . . . . . . . . 151
4.5.2 L'utilisation pour l'apprentissage . . . . . . . . . . . . . . . . . . . . . . . 153
5 La programmation logique inductive 157
5.1 La programmation logique inductive : le cadre general . . . . . . . . . . . . . . . 160
5.1.1 Complexite de l'induction et expressivite du langage d'hypotheses . . . . 160
5.1.2 La relation de couverture en logique du premier ordre . . . . . . . . . . . 161
5.1.3 La subsomption en logique du premier ordre . . . . . . . . . . . . . . . . 163
5.1.4 Un resume des relations de subsomption possibles . . . . . . . . . . . . . 165
5.2 La logique des predicats et les programmes logiques :
terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
5.2.1 La syntaxe de la logique des predicats . . . . . . . . . . . . . . . . . . . . 166
xxxii Table des matieres
5.2.2 Systeme de preuve pour les langages de clauses . . . . . . . . . . . . . . . 168

5.3 La structuration de l'espace des hypotheses en logique des predicats . . . . . . . 170
5.3.1 Le calcul de la lgg pour la -subsomption . . . . . . . . . . . . . . . . . . 170
5.3.2 Le calcul de rlgg pour la -subsomption relative . . . . . . . . . . . . . . . 172
5.3.3 Le calcul de lgg pour la resolution inverse . . . . . . . . . . . . . . . . . . 174
5.4 L'exploration de l'espace des hypotheses . . . . . . . . . . . . . . . . . . . . . . . 177
5.4.1 Le squelette des algorithmes de PLI . . . . . . . . . . . . . . . . . . . . . 178
5.4.2 Les biais de recherche dans l'espace d'hypotheses . . . . . . . . . . . . . . 180
5.5 Deux exemples de systemes de PLI . . . . . . . . . . . . . . . . . . . . . . . . . . 182
5.5.1 Un systeme empirique descendant : Foil . . . . . . . . . . . . . . . . . . . 182
5.5.2 Un systeme empirique ascendant : Progol . . . . . . . . . . . . . . . . . 184
5.6 Les domaines d'application de la PLI . . . . . . . . . . . . . . . . . . . . . . . . . 186
5.7 Les chantiers de la PLI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188

5.7.1 Les problemes a resoudre . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6 Reformulation et transfert de connaissances 193
6.1 L'apprentissage en presence de theorie . . . . . . . . . . . . . . . . . . . . . . . . 194
6.2 L'apprentissage par examen de preuve (EBL) . . . . . . . . . . . . . . . . . . . . 194
6.2.1 Le principe de l'EBL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.2.2 Une illustration de l'apprentissage EBL . . . . . . . . . . . . . . . . . . . 195
6.2.3 Discussion sur l'apprentissage de concept a partir d'explications . . . . . . 198
6.2.4 L'apprentissage de connaissances de contrôle a partir d'explications . . . . 199
6.2.5 Bilan sur l'apprentissage a partir d'explications . . . . . . . . . . . . . . . 201
6.3 Abstraction et reformulation des connaissances . . . . . . . . . . . . . . . . . . . 201
6.4 Changement de repere et raisonnement par analogie . . . . . . . . . . . . . . . . 203
6.5 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
7 L'inference grammaticale 207
7.1 Denitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
7.1.1 Langages, grammaires, automates et partitions . . . . . . . . . . . . . . . 212
7.1.2 E chantillons d'un langage et automates associes . . . . . . . . . . . . . . . 218
7.2 Les protocoles de l'inference : quelques resultats theoriques . . . . . . . . . . . . 220
7.2.1 La specication d'un probleme d'inference grammaticale . . . . . . . . . . 220
7.2.2 L'identication a la limite d'une grammaire . . . . . . . . . . . . . . . . . 221
7.2.3 Deux proprietes de l'identication a la limite. . . . . . . . . . . . . . . . 222
7.2.4 Autres protocoles pour l'inference de grammaires. . . . . . . . . . . . . . 222
7.2.5 L'inference grammaticale et l'apprentissage PAC . . . . . . . . . . . . . . 223
7.2.6 Resultats PAC pour les langages reguliers . . . . . . . . . . . . . . . . . . 224
7.2.7 Apprentissage PACS : PAC Simple . . . . . . . . . . . . . . . . . . . . . . 225
7.2.8 Apprentissage PAC avec distributions bienveillantes . . . . . . . . . . . . 226
7.3 L'espace de recherche de l'inference reguliere . . . . . . . . . . . . . . . . . . . . 226
7.3.1 Le point de la situation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
7.3.2 Deux proprietes fondamentales . . . . . . . . . . . . . . . . . . . . . . . . 227
7.3.3 La taille de l'espace de recherche . . . . . . . . . . . . . . . . . . . . . . . 228
7.4 L'inference reguliere sans echantillon negatif . . . . . . . . . . . . . . . . . . . . 228
7.4.1 Une methode caracterisable : l'inference de langages k-reversibles . . . . . 228
7.4.2 Une methode heuristique : l'algorithme ECGI . . . . . . . . . . . . . . . . 230
7.5 L'inference reguliere sous contrôle d'un echantillon negatif . . . . . . . . . . . . 233
Table des matieres xxxiii
7.5.1 L'ensemble frontiere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
7.5.2 Le lien avec l'espace des versions . . . . . . . . . . . . . . . . . . . . . . . 233
7.5.3 Les algorithmes RIG et BRIG . . . . . . . . . . . . . . . . . . . . . . . . 233
7.5.4 L'algorithme RPNI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
7.5.5 Variantes et extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
7.6 L'inference de grammaires algebriques. . . . . . . . . . . . . . . . . . . . . . . . . 237
7.6.1 Presentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
7.6.2 L'apprentissage a partir d'echantillons structures. . . . . . . . . . . . . . . 237
7.6.3 Les methodes par exploration. . . . . . . . . . . . . . . . . . . . . . . . . 239
7.6.4 Une methode avec oracle. . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
7.6.5 L'inference de grammaires lineaires equilibrees . . . . . . . . . . . . . . . 240
7.7 Quelques extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
7.7.1 Les grammaires stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . 240

7.7.2 Le point de vue connexionniste . . . . . . . . . . . . . . . . . . . . . . . . 242
8 Apprentissage par evolution simulee 245
8.1 Trois espaces au lieu de deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
8.2 Un modele formel simplie de l'evolution . . . . . . . . . . . . . . . . . . . . . . 249
8.2.1 Le jeu entre H et G . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
8.2.2 L'apprentissage comme processus d'evolution d'une population . . . . . . 249
8.3 Les algorithmes genetiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
8.3.1 La representation dans l'espace genotypique . . . . . . . . . . . . . . . . . 251
8.3.2 L'algorithme generique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
8.3.3 L'initialisation de la population . . . . . . . . . . . . . . . . . . . . . . . . 252
8.3.4 Les operateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
8.3.5 La selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
8.3.6 Le theoreme des schemas : une explication de la puissance des AG? . . . . 258
8.4 Les strategies d'evolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
8.5 La programmation genetique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
8.5.1 La representation des programmes . . . . . . . . . . . . . . . . . . . . . . 265
8.5.2 Les operateurs genetiques sur les programmes . . . . . . . . . . . . . . . . 267
8.5.3 E valuation et selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
8.5.4 Le fonctionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
8.5.5 Illustrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
8.5.6 Une analyse de la programmation genetique . . . . . . . . . . . . . . . . . 271
8.6 La coevolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
8.6.1 Un exemple d'ecologie : les systemes de classeurs . . . . . . . . . . . . . . 274
III Apprentissage par optimisation 277

9 L'apprentissage de surfaces separatrices lineaires 279
9.1 Generalites. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
9.1.1 Hyperplans separateurs et discriminants dans un probleme a deux classes. 281
9.1.2 Un peu de geometrie dans IRd . . . . . . . . . . . . . . . . . . . . . . . . . 282
9.2 L'apprentissage d'un hyperplan pour discriminer deux classes . . . . . . . . . . . 283
9.2.1 Une solution globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
9.2.2 Une methode iterative : l'algorithme de Ho et Kashyap. . . . . . . . . . . 286
xxxiv Table des matieres
9.2.3 Un autre calcul : l'algorithme du perceptron . . . . . . . . . . . . . . . . . 287

9.2.4 L'hyperplan discriminant de Fisher . . . . . . . . . . . . . . . . . . . . . . 290
9.2.5 Surfaces separatrices non lineaires . . . . . . . . . . . . . . . . . . . . . . 292
9.2.6 Et pour plus de deux classes? . . . . . . . . . . . . . . . . . . . . . . . . . 292
9.3 Les separateurs a vastes marges (SVM) . . . . . . . . . . . . . . . . . . . . . . . 293
9.3.1 La recherche des separateurs lineaires a vastes marges . . . . . . . . . . . 294
9.3.2 Quelle justication pour les SVM? . . . . . . . . . . . . . . . . . . . . . . 302
9.3.3 La regression par fonctions noyau et exemples critiques . . . . . . . . . . 307
9.3.4 Conclusions sur les SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
10 L'apprentissage de reseaux connexionnistes 311
10.1 Les dierents elements d'un reseau connexionniste . . . . . . . . . . . . . . . . . 313
10.2 L'architecture multicouche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315

10.2.1 La transmission de l'information dans un reseau multicouche . . . . . . . 315
10.2.2 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
10.2.3 Un autre exemple : le probleme (( XOR )) . . . . . . . . . . . . . . . . . . . 318
10.2.4 Le protocole d'apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . 319
10.2.5 Le codage des exemples d'apprentissage . . . . . . . . . . . . . . . . . . . 320
10.3 L'algorithme d'apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
10.3.1 Retour sur le perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
10.3.2 L'apprentissage par retropropagation du gradient de l'erreur . . . . . . . . 325
10.3.3 L'organisation des calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . 326
10.3.4 Retour sur l'exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326
10.3.5 Une variante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 328
10.3.6 Quand arrêter l'apprentissage? . . . . . . . . . . . . . . . . . . . . . . . . 329
10.3.7 Le probleme des minima locaux . . . . . . . . . . . . . . . . . . . . . . . . 329
10.4 Quelques resultats theoriques sur les reseaux connexionnistes . . . . . . . . . . . 329
10.4.1 Pouvoir d'expression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
10.4.2 Complexite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330
10.4.3 Reseaux connexionnistes et apprentissage PAC . . . . . . . . . . . . . . . 330
10.5 Comment choisir l'architecture d'un reseau? . . . . . . . . . . . . . . . . . . . . . 331
11 Apprentissage par combinaison de decisions 333
11.1 Les arbres de decision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
11.1.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
11.1.2 La construction recursive d'un arbre de decision . . . . . . . . . . . . . . 336
11.1.3 Comment elaguer un arbre trop precis . . . . . . . . . . . . . . . . . . . . 343
11.1.4 Un exemple : les iris de Fisher . . . . . . . . . . . . . . . . . . . . . . . . . 347
11.1.5 Traduction des arbres de decision en logique des propositions . . . . . . . 349
11.2 Les arbres de regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
11.2.1 Le principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
11.2.2 La construction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
11.2.3 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
11.2.4 La n de la construction et l'elagage . . . . . . . . . . . . . . . . . . . . . 354
11.3 Le boosting d'un algorithme d'apprentissage . . . . . . . . . . . . . . . . . . . . . 354
11.3.1 Plusieurs experts valent mieux qu'un . . . . . . . . . . . . . . . . . . . . . 354
11.3.2 Le premier algorithme de boosting . . . . . . . . . . . . . . . . . . . . . . 355
11.3.3 Le boosting probabiliste et l'algorithme AdaBoost . . . . . . . . . . . . 357
Table des matieres xxxv
11.3.4 Les proprietes de l'algorithme AdaBoost . . . . . . . . . . . . . . . . . . 358
11.3.5 L'utilisation du boosting . . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
11.3.6 Boosting et theorie PAC . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
11.3.7 Le (( bagging )) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
12 L'apprentissage de reseaux bayesiens 363
12.1 Les reseaux d'inference bayesiens . . . . . . . . . . . . . . . . . . . . . . . . . . . 364
12.1.1 Denitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
12.1.2 La d-separation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
12.1.3 Denition formelle d'un reseau bayesien . . . . . . . . . . . . . . . . . . . 368
12.2 Les inferences dans les reseaux bayesiens . . . . . . . . . . . . . . . . . . . . . . . 368
12.2.1 Schemas d'inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369
12.2.2 La d-separation generalisee . . . . . . . . . . . . . . . . . . . . . . . . . . 372

12.3 L'apprentissage des reseaux bayesiens . . . . . . . . . . . . . . . . . . . . . . . . 374
12.3.1 Apprentissage avec structure connue et donnees completes . . . . . . . . . 375
12.3.2 Apprentissage avec structure inconnue et donnees completes . . . . . . . . 376
12.3.3 Apprentissage en presence de donnees incompletes . . . . . . . . . . . . . 379
12.3.4 Apprentissage avec structure connue et donnees incompletes . . . . . . . . 379
12.3.5 Apprentissage avec structure inconnue et donnees incompletes . . . . . . . 381
13 L'apprentissage de modeles de Markov caches 385
13.1 Les modeles de Markov observables . . . . . . . . . . . . . . . . . . . . . . . . . . 388
13.2 Les modeles de Markov caches (Hmm) . . . . . . . . . . . . . . . . . . . . . . . . 389
13.2.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 389
13.2.2 Pourquoi faut-il des variables cachees? . . . . . . . . . . . . . . . . . . . . 389
13.2.3 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 391
13.2.4 Deux types de Hmm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 392
13.2.5 Comment un Hmm engendre une sequence . . . . . . . . . . . . . . . . . 393
13.3 Les Hmm comme regles de classication de sequences . . . . . . . . . . . . . . . . 393
13.3.1 Les trois problemes des Hmm . . . . . . . . . . . . . . . . . . . . . . . . . 393
13.3.2 Les Hmm et la classication bayesienne . . . . . . . . . . . . . . . . . . . 394
13.4 L'evaluation de la probabilite d'observation . . . . . . . . . . . . . . . . . . . . . 395
13.5 Le calcul du chemin optimal : l'algorithme de Viterbi . . . . . . . . . . . . . . . . 397
13.6 L'apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400
13.7 Approfondissements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 406
13.8 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 407
IV Apprentissage par approximation et interpolation 409

14 L'apprentissage bayesien et son approximation 411
14.1 L'apprentissage bayesien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
14.1.1 Presentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
14.1.2 Un petit retour en arriere . . . . . . . . . . . . . . . . . . . . . . . . . . . 415
14.1.3 L'apprentissage bayesien d'une regle de classication . . . . . . . . . . . . 415
14.1.4 La classication bayesienne est optimale en moyenne... . . . . . . . . . . . 416
14.1.5 ...mais on ne peut que l'approcher. . . . . . . . . . . . . . . . . . . . . . . 416
14.1.6 La regle bayesienne et la regression aux moindres carres . . . . . . . . . . 418
14.1.7 La regle bayesienne et la minimisation de l'entropie croisee . . . . . . . . 419
xxxvi Table des matieres
14.1.8 La regle bayesienne et la longueur minimale de description . . . . . . . . 420

14.1.9 L'apprentissage bayesien non supervise . . . . . . . . . . . . . . . . . . . . 422
14.2 Les methodes parametriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422
14.2.1 L'estimation par maximum de vraisemblance . . . . . . . . . . . . . . . . 422
14.2.2 L'estimation des parametres d'une distribution gaussienne . . . . . . . . . 423
14.2.3 Des hypotheses simplicatrices . . . . . . . . . . . . . . . . . . . . . . . . 427
14.2.4 Les cas non gaussiens et multigaussiens . . . . . . . . . . . . . . . . . . . 428
14.2.5 La prediction bayesienne de la distribution des parametres . . . . . . . . . 428
14.3 L'apprentissage bayesien non parametrique . . . . . . . . . . . . . . . . . . . . . 431
14.3.1 Generalites : le probleme de l'estimation locale d'une densite . . . . . . . 431
14.3.2 Les fonctions noyau et les fenêtres de Parzen . . . . . . . . . . . . . . . . 432
14.3.3 Les k-plus proches voisins (k-ppv) . . . . . . . . . . . . . . . . . . . . . . 435
14.4 Les methodes semi parametriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 445

14.4.1 La discrimination logistique . . . . . . . . . . . . . . . . . . . . . . . . . . 445
14.4.2 Les melanges de distributions . . . . . . . . . . . . . . . . . . . . . . . . . 447
14.4.3 Le cas des reseaux connexionnistes et des arbres de decision . . . . . . . . 448
15 La classication non supervisee et la decouverte automatique 451
15.1 La classication hierarchique de donnees numeriques . . . . . . . . . . . . . . . . 453
15.1.1 Generalites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453
15.1.2 Un algorithme general de classication hierarchique . . . . . . . . . . . . 456
15.1.3 L'indice du lien simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 456
15.1.4 L'indice de la distance entre centres de gravite . . . . . . . . . . . . . . . 457
15.1.5 L'indice de Ward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 457
15.1.6 L'indice de la vraisemblance du lien . . . . . . . . . . . . . . . . . . . . . 458
15.1.7 Le choix du nombre de classes . . . . . . . . . . . . . . . . . . . . . . . . 458
15.2 La classication non hierarchique de donnees numeriques . . . . . . . . . . . . . 458
15.2.1 La methode des k-moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . 458
15.2.2 L'estimation d'une somme ponderee de distributions gaussiennes . . . . . 460
15.2.3 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 460
15.3 La classication de donnees symboliques . . . . . . . . . . . . . . . . . . . . . . . 462
15.3.1 Les donnees binaires et categorielles . . . . . . . . . . . . . . . . . . . . . 462
15.3.2 Les attributs nominaux : la representation attribut-valeur . . . . . . . . . 463
15.3.3 Les donnees logiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
15.4 La decouverte automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
15.4.1 Presentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
15.4.2 La decouverte de fonctions simples . . . . . . . . . . . . . . . . . . . . . . 465
15.4.3 Decouverte de lois plus complexes . . . . . . . . . . . . . . . . . . . . . . 466
15.4.4 Traitement des donnees bruitees . . . . . . . . . . . . . . . . . . . . . . . 467
15.4.5 Decouverte de lois avec plus de deux variables . . . . . . . . . . . . . . . . 468
15.4.6 Ameliorations ulterieures . . . . . . . . . . . . . . . . . . . . . . . . . . . 470
15.5 La decouverte non supervisee d'associations complexes
d'attributs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 470
15.5.1 Les associations d'attributs binaires : denitions . . . . . . . . . . . . . . . 470
15.5.2 L'apprentissage des associations . . . . . . . . . . . . . . . . . . . . . . . . 471
15.5.3 Decouverte de suites temporelles dans les donnees . . . . . . . . . . . . . 473
15.6 Le coapprentissage et les melanges d'exemples supervises et non supervises . . . 479
15.6.1 Le cas de deux jeux independants d'attributs : le coapprentissage . . . . . 479
Table des matieres xxxvii
15.6.2 L'utilisation de l'algorithme EM . . . . . . . . . . . . . . . . . . . . . . . 480
16 L'apprentissage de re exes par renforcement 483
16.1 Description du probleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485
16.1.1 La modelisation d'un agent en action dans le monde . . . . . . . . . . . . 485
16.1.2 Les notions fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . 487
16.1.3 Les problemes et les grandes approches . . . . . . . . . . . . . . . . . . . 490
16.2 Si tout est connu : l'utilite de la fonction d'utilite . . . . . . . . . . . . . . . . . . 491
16.3 L'apprentissage des fonctions d'utilite quand l'environnement est connu . . . . . 492
16.3.1 L'evaluation d'une politique par propagation locale d'information . . . . . 493
16.3.2 Un theoreme conduisant a l'amelioration de politique . . . . . . . . . . . 494
16.3.3 Processus iteratif d'amelioration de politique . . . . . . . . . . . . . . . . 495
16.4 Si rien n'est connu : la methode de Monte-Carlo . . . . . . . . . . . . . . . . . . . 496

16.5 Le meilleur des deux mondes : la methode des dierences temporelles . . . . . . . 497
16.5.1 L'evaluation suivant la methode des dierences temporelles . . . . . . . . 497
16.5.2 L'amelioration de politique avec les dierences temporelles . . . . . . . . 498
16.5.3 Sarsa : Une methode d'amelioration (( sur politique )) . . . . . . . . . . . 499
16.5.4 Le Q ; learning : Une methode d'amelioration (( hors politique )) . . . . . 499
16.5.5 TD() : les methodes de dierences temporelles a plusieurs pas . . . . . . 500
16.6 La generalisation dans l'apprentissage par renforcement . . . . . . . . . . . . . . 501
16.6.1 Le probleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 501
16.6.2 Generalisation par approximation de la fonction d'utilite . . . . . . . . . . 502
16.6.3 Methodes de generalisation par partition de l'espace . . . . . . . . . . . . 504
16.6.4 Methodes directes d'apprentissage de politique . . . . . . . . . . . . . . . 506
16.7 Le cas des environnements partiellement observables . . . . . . . . . . . . . . . . 506
16.8 Exemples d'application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 507
16.8.1 Le TD-Gammon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 507
16.8.2 Applications au contrôle et a la robotique . . . . . . . . . . . . . . . . . . 508
16.9 Bilan et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 508
V Approfondissements et annexes techniques 511

17 Approfondissement sur l'analyse de l'induction 513
17.1 L'analyse de l'induction de Vapnik . . . . . . . . . . . . . . . . . . . . . . . . . . 513
17.1.1 Cas ou jHj = 1 et F H . . . . . . . . . . . . . . . . . . . . . . . . . . 514
17.1.2 Fonction de croissance et dimension de Vapnik-Chervonenkis . . . . . . . 515
17.1.3 Le lemme de Sauer : un lemme sauveur . . . . . . . . . . . . . . . . . . . . 517
17.1.4 L'analyse de Vapnik et Chervonenkis pour des fonctions quelconques . . . 520
17.1.5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 523
17.2 Les principes inductifs avec contrôle de l'espace
des hypotheses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524
17.2.1 La minimisation du risque structurel : SRM . . . . . . . . . . . . . . . . . 524
17.2.2 La theorie de la regularisation . . . . . . . . . . . . . . . . . . . . . . . . . 525
17.2.3 La theorie de l'estimation bayesienne . . . . . . . . . . . . . . . . . . . . . 528
17.3 L'induction par compression d'information . . . . . . . . . . . . . . . . . . . . . . 529
17.3.1 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 530
17.3.2 La theorie de l'induction selon Solomono . . . . . . . . . . . . . . . . . . 530
xxxviii Table des matieres
17.3.3 La complexite de Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . 531

17.3.4 Le principe de longueur de description minimale (MDLP ) . . . . . . . . 532
17.3.5 Analyse : compression et pouvoir inductif . . . . . . . . . . . . . . . . . . 534
17.4 L'induction en debat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 536
17.4.1 Le no-free-lunch theorem : toutes les methodes se valent !? . . . . . . . . 536
17.4.2 Le no-free-lunch theorem et l'analyse de Vapnik : une contradiction? . . 541
17.5 Discussion sur l'analyse classique. Variantes et perspectives . . . . . . . . . . . . 542
17.5.1 D'autres modeles d'apprentissage . . . . . . . . . . . . . . . . . . . . . . . 544
17.5.2 D'autres types d'analyses . . . . . . . . . . . . . . . . . . . . . . . . . . . 546
18 Annexes techniques 551
18.1 Exemples de fonctions de perte en induction . . . . . . . . . . . . . . . . . . . . . 551
18.1.1 La reconnaissance de formes ou classication . . . . . . . . . . . . . . . . 551

18.1.2 La regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 552
18.1.3 L'estimation de densite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 553
18.2 Optimisation par descente de gradient . . . . . . . . . . . . . . . . . . . . . . . . 554
18.3 La retropropagation du gradient de l'erreur . . . . . . . . . . . . . . . . . . . . . 557
18.3.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 557
18.3.2 Fonctionnement du systeme . . . . . . . . . . . . . . . . . . . . . . . . . . 557
18.3.3 Calcul du gradient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 558
18.4 Estimation d'une densite de probabilite en un point . . . . . . . . . . . . . . . . 560
18.5 L'estimation des parametres d'une distribution gaussienne . . . . . . . . . . . . . 561
18.6 Pourquoi et comment la regle du PPV converge-t-elle? . . . . . . . . . . . . . . . 562
18.6.1 Pourquoi? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 562
18.6.2 Comment? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 562
18.7 Le calcul de l'intervalle de conance de l'estimation de la probabilite d'une regle
de classication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 563
18.8 Pourquoi la regle de decision bayesienne est-elle optimale? . . . . . . . . . . . . . 564
18.9 Apprentissage par estimation-maximisation. . . . . . . . . . . . . . . . . . . . . . 565
18.9.1 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 565
18.9.2 Application de l'algorithme EM a l'exemple . . . . . . . . . . . . . . . . . 565
18.9.3 Statistique susante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 566
18.9.4 Plus generalement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 566
18.9.5 Retour sur l'exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 566
18.9.6 L'apprentissage des parametres des Hmm . . . . . . . . . . . . . . . . . . 568
18.9.7 L'apprentissage des parametres de distributions multigaussiennes . . . . . 568
Bibliographie 571
Index 586
Premiere partie
Les fondements de l'apprentissage
Chapitre 1
De l'apprentissage naturel a
l'apprentissage articiel
1.1 L'apprentissage articiel

Même les machines ont besoin d'apprendre.
Depuis bientôt un demi-siecle, les chercheurs en intelligence articielle travaillent a program-
mer des machines capables d'eectuer des tâches qui requierent de l'intelligence. Nous citerons
l'aide a la decision, par exemple l'aide au diagnostic medical ; la reconnaissance de formes, par
exemple la reconnaissance de la parole ou la vision articielle ; le contrôle de processus, par
exemple la conduite de procedes industriels; la prediction, par exemple la prediction de consom-
mation electrique ou la prediction de cours boursiers; la conduite de robots, y compris d'equipes
de robots comme dans la RoboCup 1 ; l'exploration de grandes bases de donnees (on dit aussi la
fouille de donnees), tant il est vrai que si nous croulons sous les informations, il nous manque
souvent la connaissance. Chacune de ces tâches et bien d'autres ont stimule l'inventivite des
chercheurs et donne lieu a de nombreuses realisations impressionnantes. Cependant, program-
mer des machines capables de s'adapter a toutes les situations et eventuellement d'evoluer en
fonction de nouvelles contraintes est dicile. L'enjeu est de contourner cette diculte en dotant
la machine de capacites d'apprentissage lui permettant de tirer parti de son experience. C'est
pourquoi parallelement aux recherches sur le raisonnement automatique se sont developpees des
recherches sur l'apprentissage par les machines. Avant cependant d'aborder ce type d'appren-
tissage, examinons rapidement certaines activites d'apprentissage par des organismes naturels.
L'apprentissage naturel
Des sa naissance, un enfant apprend a reconna^tre l'odeur de sa mere, puis sa voix et plus
largement l'ambiance du lieu ou il vit. Ensuite, il apprend a coordonner ses perceptions, comme
sa vue ou son toucher, avec ses mouvements. Par des essais gratiants ou penalisants, il apprend
plus tard a marcher, manifestant une grande capacite a integrer des signaux dierents : la vue,
le sens de l'equilibre, la proprioception, la coordination motrice. Il apprend pendant le même
temps a segmenter et categoriser des sons et a les associer a des signications. Il apprend
aussi la structure de sa langue maternelle et acquiert simultanement un repertoire organise de
connaissances sur le monde qui l'environne.
1. La RoboCup est une competition annuelle organisee depuis 1997 entre equipes de robots footballeurs. Il existe
plusieurs types de competitions mettant en jeu soit des agents simules, soit des robots reels de tailles diverses.
Pour plus d'information, voir par exemple http://www.robocup.org/.
4 Premiere Partie : Les Fondements de l'Apprentissage
Il va aussi apprendre a lire. Il sait deja faire la distinction entre texte et non texte, parce qu'il
a souvent manipule des livres illustres ou il a observe l'association des images et des symboles de
l'ecriture. Il apprend d'abord par cur des mots associes a des sons et a leur signication. Plus
tard, il extrait des regles permettant de distinguer des groupements syllabiques a l'interieur des
mots et de les prononcer. Cet apprentissage est long et progressif, il demande des repetitions et
des sequences d'exercices bien choisies. Il est en partie supervise par des adultes qui preparent
les tâches d'apprentissage, accompagnent son cheminement et sanctionnent, par recompense ou
punition, les resultats observes.
Au cours des annees qui suivent, l'enfant apprend par etapes a ma^triser des concepts et
des operations de plus en plus abstraits. Finalement, cette fois sans professeur pour l'escorter,
il decouvrira et enoncera des points de vue personnels, des theories sur les phenomenes sociaux,
sportifs, economiques, naturels et autres.
Les modalites de l'apprentissage naturel sont donc multiples : apprentissage par cur, par
instruction, par generalisation, par decouverte, apprentissage impliquant des categorisations
voire la formation de theories, apprentissage plus ou moins supervise ou autonome, etc. Ces
diverses formes d'apprentissage auront-elles une contrepartie lorsqu'il s'agira d'apprentissage
par des machines? Et comment envisagera-t-on l'apprentissage naturel apres cette etude?
Apprentissage (( articiel )) ou apprentissage (( automatique )) ?
Au fait, comment appeler cette discipline ? Le terme academique le plus courant est ap-
prentissage automatique. Cependant, bien que consacre par l'habitude, ce terme ne nous semble
pas completement satisfaisant. Il sous-entend en particulier une sorte d'activite inconsciente
de bas-niveau, qui s'execute (( en tâche de fond )) comme disent les informaticiens pour par-
ler d'un processus se deroulant au second plan sans perturber la tâche principale courante. Si
certains types d'apprentissages, comme l'habituation, voire même certaines formes d'associa-
tions (comme chez le fameux chien de Pavlov), peuvent correspondre a ce schema, celui-ci est
cependant beaucoup trop restrictif.
On peut aussi penser a utiliser les expressions apprentissage machine pour traduire direc-
tement l'expression americaine machine learning ou a apprentissage algorithmique pour insister
sur les aspects operationnels.
Il nous semble que la notion d'apprentissage articiel apporte quelque chose de plus profond
que la simple idee d'(( automatique )). Il est vrai que le mot articiel evoque aussi quelque chose
de factice, voire de frelate et que nous savons combien le terme d'intelligence articielle a souert
de ces connotations ; mais nous nous placons ici sous le patronage de Herbert Simon (1916-2001),
Prix Nobel d'economie et l'un des fondateurs de l'intelligence articielle, qui a bien su montrer
la marque et l'interêt de la notion de sciences de l'articiel [Sim81].
Sciences naturelles et sciences de l'articiel
Le projet des sciences naturelles est de comprendre les phenomenes en formulant des lois
sous-jacentes, de preference simples. L'ambition fondamentale des sciences de l'articiel n'est
pas dierente mais, par le but poursuivi et les moyens utilises, elles s'en ecartent cependant
susamment pour se denir a part entiere. Ainsi, le but des sciences de l'articiel, en parti-
culier de l'apprentissage articiel, est bien de comprendre les phenomenes de la nature. Mais
cette comprehension doit passer par la construction de modeles qui (naturellement pour des
informaticiens) doivent être capables de realiser des simulations.
Selon le point de vue des sciences de l'articiel, comprendre implique la capacite de fabriquer
pour reproduire. Conna^tre, dans cette optique, c'est concevoir un modele operatoire du monde
Chapitre 1 De l'apprentissage naturel a l'apprentissage articiel 5
pour le soumettre a des manipulations reglees. Conna^tre, c'est donc prendre de la distance par
rapport a l'objet et se donner les moyens de l'approcher dans son comportement, d'en faire varier
des parametres et d'enoncer des conditions de realisabilite.
Les sciences de l'articiel presentent deux aspects qui les distinguent des sciences naturelles.
D'une part, elles concoivent la connaissance et la comprehension comme une capacite
de simulation, ce qui implique la possibilite d'explorer eectivement les consequences de
postulats initiaux.
D'autre part, ce sont des sciences qui cherchent des normes permettant de denir ce qu'est
un raisonnement valide, un apprentissage correct et les conditions necessaires pour qu'il
puisse avoir lieu. En ceci, les sciences de l'articiel sont aussi des sciences normatives, par
opposition a l'aspect principalement descriptif des sciences naturelles.
C'est dans ce double sens que nous desirons presenter l'apprentissage articiel dans cet ou-
vrage. Certes, il sera bien question d'apprentissage automatisable, donc d'apprentissage automa-
tique et d'un apprentissage realisable sur des machines, donc d'apprentissage machine, mais l'un
des soucis sous-jacents sera de rechercher les conditions de realisabilite des modeles de l'appren-
tissage, c'est-a-dire les lois profondes qui reglent la possibilite d'apprendre. Ainsi, l'apprentissage
articiel est la science qui cherche et etablit des liens entre les principes generaux d'apprenabilite
et les methodes et outils permettant de realiser un apprentissage dans un contexte particulier.
La premiere partie de l'ouvrage est davantage tournee vers l'expose des principes tandis que le
reste presente des techniques justiees en particulier a la lumiere des principes fondamentaux.
Le theoricien et l'ingenieur etablissent ainsi un dialogue. Nous avons cherche a conserver cet
esprit dans l'organisation de l'ouvrage.
1.2 Deux exemples : apprendre a jouer, apprendre a lire

Avant de xer un cadre methodologique et de presenter les concepts de base sur lesquels
s'organise cet ouvrage, examinons brievement deux tâches d'apprentissage, simples en apparence,
pour faire emerger les multiples questions sous-jacentes.
1.2.1 Apprendre a jouer
Prenons d'abord le cas d'un jeu a deux adversaires sans hasard et sans information cachee.
Le jeu d'echecs, le jeu de go ou le morpion en sont les exemples les plus immediats. Supposons
que l'on veuille faire apprendre a une machine a jouer a l'un de ces jeux. Comment s'y prendre?
Il faut d'abord denir exactement le but poursuivi. S'agit-il de faire apprendre les regles
du jeu a la machine a partir d'observations de parties jouees? S'agit-il de lui faire apprendre a
bien jouer ? S'agit-il de lui faire decouvrir les variables pertinentes pour predire comment jouera
l'adversaire (son niveau, son style de jeu)? S'agit-il de predire le gagnant, ou bien le nombre de
coups restant a jouer? La liste est deja variee, elle n'est pas exhaustive.
Prenons maintenant la situation du jeu d'echecs schematisee dans la gure 1.1. Supposons
que ce soit a la machine (pieces blanches) de choisir son prochain coup. En supposant qu'elle
connaisse les regles du jeu, elle a le choix entre plusieurs dizaines de coups legaux. Lequel est le
meilleur? Pour simplier, faisons ici le choix que le critere de succes est lie simplement au gain
de la partie, en ignorant la duree de jeu, le nombre de coups restant, etc. Comment determiner le
coup a jouer? L'approche classique en intelligence articielle utilise l'algorithme MinMax [RN95]
fonde sur la notion de fonction d'evaluation. En pratique, dans cet algorithme, la machine eectue
une recherche en avant dans l'arbre des coups possibles, aussi loin que le temps et les ressources
calcul le lui permettent (aux echecs, une dizaine de demi-coups environ). Ensuite, elle evalue
chaque position atteinte en fonction de certains criteres (par exemple : l'occupation du centre,
l'avantage materiel, etc.), et nalement joue le coup lui permettant de maximiser le gain que
l'adversaire est oblige de lui conceder. Dans ce cadre, l'apprentissage consiste naturellement a
apprendre cette fonction d'evaluation, car c'est elle qui determine la qualite des decisions.
Fig. 1.1 { Une position dans une partie d'echecs.

Mais d'autres possibilites sont envisageables. Par exemple, la machine pourrait simplement
apprendre par cur une table d'association entre une position et le coup a jouer, une look-up
table geante. E videmment, dans le cas des jeux interessants, ceux qui comportent un tres grand
espace de situations possibles, cela semble absurde. Mais nous verrons cependant au chapitre 16,
dedie a l'apprentissage par renforcement, comment rendre cette idee possible. D'autre part, il est
clair que les joueurs humains prennent des decisions motivees par des considerations de strategie
et de tactique : ils operent rarement par une exploration exhaustive avec mise en uvre d'une
fonction d'evaluation (( simple )). Une simulation plus dele de l'apprentissage naturel pourrait
chercher a identier tactiques et strategies, et a les apprendre directement.
Un probleme qui n'a pas encore ete aborde est celui du choix des donnees d'apprentissage :
quelles sont les informations dont le systeme apprenant va benecier pour apprendre? Dans le
cas du jeu d'echecs, il peut s'agir d'observations de parties. Doit-on lui proposer des parties
jouees par des champions, ou des parties mediocres feraient-elles aussi bien l'aaire, ou peut-
être des parties jouees par l'apprenant contre lui-même? Des exemples de coups faibles sont-ils
favorables, voire indispensables, a l'apprentissage? On peut aussi penser proter de corpus de
parties commentees par un professeur, comme dans la litterature echiqueenne. Dans le cas de
l'apprentissage des regles du jeu, des exemples de coups illegaux seraient-ils favorables, voire
indispensables, a l'apprentissage?
Il se pose aussi la question du sequencement des lecons : y a t-il un ordre de presentation
plus favorable qu'un autre? Doit-on tenir compte d'une vitesse d'assimilation, comme chez les
apprenants humains, liee aux capacites computationnelles de l'apprenant?
Autant de questions qui ressortent tant d'une analyse theorique sur les conditions de possi-
bilite de l'apprentissage que d'une etude experimentale.
Finalement on n'evitera pas le probleme de la validation de l'apprentissage realise. Comment
mesurer la performance de l'apprenant apres l'apprentissage ? En comptant la proportion de
parties gagnees contre un echantillon representatif de joueurs? En incluant le temps de re exion?
En demandant des explications des decisions prises? Et dans ce cas, qui jugera de leur validite ?
Même dans le contexte familier et apparemment simple de l'apprentissage d'un jeu, on voit
donc que l'ensemble des questions ouvertes est vaste.
1.2.2 Apprendre a reconna^tre des caracteres manuscrits
Maintenant, supposons que nous voulions entra^ner une machine a reconna^tre des caracteres
manuscrits tels qu'ils appara^ssent sur une enveloppe timbree, c'est-a-dire en general assez bien
traces et separes les uns des autres. La gure 1.2 donne un exemple de caracteres tels qu'ils
peuvent se presenter dans la realite. Comment une machine peut-elle apprendre a identier ces
formes?
Le codage
La diculte de base est que la variete des formes rencontrees est innie. Il ne peut donc être
question d'apprentissage par cur. Il faut par consequent, a partir d'un echantillon d'exemples
(( bien choisis ))(comment?) ^ etre capable de generaliser. De maniere informelle, nous denissons
un exemple comme l'association d'une forme et d'une etiquette. C'est ainsi que la forme de la
gure 1.2 est associee a l'etiquette à' (lettre de la categorie à'). Nous avons ici aaire a ce qu'on
appelle de l'apprentissage supervise 2 .
Ici se pose la premiere question : comment coder les formes? Par une matrice binaire transcri-
vant l'eclairement des pixels de la retine de la camera? Dans cette hypothese, chaque caractere
serait deni par une matrice, disons de taille 16 32 3 . Avant de s'interesser a l'exploitation
de telles representations, il faut resoudre un probleme d'homogeneite. Les caracteres seront-ils
centres sur la retine? Seront-ils tous a la même echelle? Auront-ils une orientation imposee? On
voit que même dans le cas d'un codage tres primitif des formes, un pretraitement est indispen-
sable.
Système
de
décision Sortie
Fig. 1.2 { Une tâche de reconnaissance de caracteres manuscrits.

Pourquoi ne pas d'emblee coder les formes de maniere plus pertinente, en extrayant des ca-
racteristiques essentielles ou invariantes? Par exemple la presence de boucles, ou bien la hauteur
ou la largeur ou le nombre de points de retour. Il est probable que l'apprentissage subsequent
s'en trouverait facilite. Mais... qui a appris ce codage? Et comment?
2. Par contraste avec l'apprentissage non supervise dans lequel les etiquettes ne sont pas fournies.
3. Notons qu'apres ce codage le nombre de formes possible n'est plus stricto sensu inni. Si chaque pixel est noir
ou blanc, le nombre de formes dierentes est cependant de 21632 ' 1030 .
Alors que la description des formes comme des projections sur la retine de la camera est
immediate, une redescription adaptee a l'apprentissage implique des operations non triviales et
surtout des connaissances a priori sur le mecanisme de cet apprentissage. Il s'agit d'eliminer
les descripteurs non pertinents, par exemple la couleur de l'encre ou celle du fond de l'image,
de recoder pour tenir compte des invariances par translation ou par changement d'echelle, voire
d'introduire de nouveaux descripteurs. Certains de ces nouveaux descripteurs, non presents dans
la description brute des donnees, n'impliquent pas nessairement des attributs complexes. Ainsi,
pour distinguer un à' d'un `b', il sut en general de considerer le rapport de leur hauteur a leur
largeur. Mais le plus souvent, il faudra être capable d'inventer des descripteurs sophistiques. Une
autre technique consiste a introduire une grande collection de descripteurs dont l'apprentissage
essaiera de tirer le meilleur parti.
La mesure de performance
Retournons maintenant au probleme de la denition du critere de performance. S'agit-il
simplement du nombre d'erreurs de classication apres apprentissage, que l'on peut ramener a
une probabilite de mauvaise classication ? S'agit-il d'une mesure de risque plus elaboree, prenant
en compte le fait qu'il vaut mieux se tromper sur une lettre que sur un chire (le code postal
est plus dicile a reconstruire que le nom de la commune) ? Ici encore, les possibilites sont
nombreuses et c'est l'application qui commande le choix a faire.
Dans tous les cas, l'evaluation de l'apprentissage devra être conduite avec soin. En general, on
mesure la performance apres que l'apprentissage a eu lieu sur un certain nombre de donnees que
l'on appelle echantillon d'apprentissage. Si l'on fait varier la taille de cet echantillon, on obtient
une courbe d'apprentissage comme celle donnee sur la gure 1.3. Cependant, il faut s'assurer
que la mesure de performance s'eectue sur un echantillon de test dierent de l'echantillon
d'apprentissage. Autrement, ce ne serait pas la capacite de generalisation qui serait testee, mais
une capacite a l'apprentissage par cur, qui n'est pas pertinente dans ce contexte (mais qui
pourrait eventuellement l'être dans le cas de caracteres d'imprimerie).
La modelisation
Finalement, il faudra decider de la forme d'apprentissage a realiser, c'est-a-dire de ce qui
est appris en interne par le systeme apprenant. Pour donner un exemple, on peut se gurer les
caracteres comme etant decrits dans un espace de descripteurs a plusieurs dimensions. Certains
des points de cet espace correspondent a la lettre à', d'autres a la lettre `b', etc. Le probleme
est alors d'apprendre a associer a chaque point la lettre correspondante. Ceci peut se faire de
plusieurs manieres. Le but de cet ouvrage est de les presenter et d'orir un cadre conceptuel
pour orienter les choix a faire. Pour donner deja quelques exemples, on peut imaginer une ap-
proche geometrique : apprendre des frontieres entre les regions correspondant aux dierentes
classes. Une nouvelle forme inconnue sera alors etiquetee en fonction de sa place par rapport
aux frontieres trouvees. On peut aussi adopter un point de vue probabiliste et apprendre des
probabilites conditionnelles d'appartenance des points aux classes, ou reciproquement des pro-
babilites conditionnelles des classes connaissant la description des points. On pourrait egalement
envisager d'utiliser un critere de decision par les plus proches voisins dont on conna^t l'etiquette.
Il faudra alors disposer d'un nombre susant de points etiquetes et d'une relation de voisinage
denie proprement. Et il existe encore bien d'autres possibilites...
Courbe en reconnaissance
Mesure de (sur l'échantillon d'apprentissage)
performance
Courbe en généralisation
(sur un échantillon de test)
Taille de l'échantillon
d'apprentissage
Fig. 1.3 { Une courbe de performance classique. On suppose ici que l'apprentissage est su-
pervise : la machine peut exploiter les informations contenues dans un echantillon
d'apprentissage en vue de faire des predictions sur des observations nouvelles. En
abscisse gure l'exploitation de l'echantillon d'apprentissage, par exemple mesuree
en nombre d'examens de la base d'apprentissage. En ordonnee est portee une me-
sure de l'erreur, soit l'erreur faite par le systeme en prediction sur des exemples
vus en apprentissage (erreur de reconnaissance), soit sur des exemples non vus (er-
reur en generalisation). Normalement, la performance s'ameliore au fur et a mesure
que l'algorithme exploite davantage l'information. Elle est generalement meilleure en
reconnaissance qu'en generalisation. On observe aussi frequemment une baisse des
performances en generalisation lorsque l'apprenant exploite (( trop )) les donnees. Ce
phenomene qui peut sembler paradoxal trouvera son explication dans la suite de l'ou-
vrage.
1.3 Deux approches : la cybernetique et les sciences cognitives

Pour commencer a re echir a l'apprentissage, il faut d'abord evoquer d'autres notions.
D'abord, celles d'evolution, de transformation, de modication. Il n'y a pas d'apprentissage sans
evolution. Mais cette notion d'evolution n'est pas susante. Le vin aussi evolue, on ne dira pour-
tant pas qu'il apprend. Il faut donc y ajouter la notion de progres. L'apprentissage vise a rendre
plus performant, meilleur, qu'elle qu'en soit la mesure. Mais le vin qui se bonie apprend-il?
Non. C'est que l'apprentissage implique aussi une notion d'adaptation a un environnement, a une
tâche. Il faut qu'il y ait une sorte de retroaction de l'environnement sur le systeme pour que l'on
puisse qualier d'apprentissage le processus de transformation qui en decoule eventuellement.
Si le vin reagit a son environnement, c'est de maniere minimale, totalement passive, comme
tout objet ou matiere. Finalement, l'apprentissage evoque aussi souvent la notion de transfert
a d'autres situations, voire de generalisation. Quelqu'un qui apprend par cur n'est qu'un per-
roquet ou un (( savant idiot )). On attend plus d'un authentique apprentissage, a savoir qu'il
y ait capacite a savoir tirer prot d'une experience particuliere pour faire face a une nouvelle
situation susamment (( proche )) pour que le transfert de l'une a l'autre puisse être pertinent.
Transformation, progres, adaptation, transfert et generalisation : chacune de ces notions ren-
voie a son tour a des questions que toute etude de l'apprentissage devra aborder.
Qu'est-ce qui est transforme lors de l'apprentissage ? En particulier, dans une machine
apprenante, comment represente-t-on ce qui determine le comportement du systeme et qui
subira eventuellement une modication? Le neurobiologiste evoquera immediatement le
support biologique : les neurones, leurs connexions, les neurotransmetteurs ; le psychologue
raisonnera en termes de croyances, de connaissances ; l'informaticien envisagera des reseaux
de neurones articiels, des assertions Prolog d'un systeme expert, etc.
Comment peut s'eectuer le processus de transformation?
En reponse a quel type de sollicitation? Qu'est-ce qui informe le systeme apprenant qu'il
doit se transformer? Qu'est-ce qui lui permet de mesurer son progres ou son degre d'adap-
tation?
Comment un observateur exterieur peut-il mesurer le progres et attribuer a un systeme

une capacite d'apprentissage et une amelioration de performance?
Comment caracteriser le transfert entre deux situations? Comment mesurer leurs die-
rences et ce que l'experience de l'une apporte a l'experience de l'autre?
Nous n'epuisons pas ici l'ensemble des questions qui peuvent se poser a propos de l'appren-
tissage. Nous voulons seulement signaler les plus evidentes, les plus immediates. Nous l'avons
fait dans des termes volontairement generaux et relativement vagues pour ne pas d'emblee em-
brasser un point de vue, un type de questionnement. Dans cette section, sans vouloir, ni pouvoir
naturellement être exhaustif, nous voulons brosser a grands traits deux modes d'approche qui
ont constitue deux moments de l'etude de la cognition au XXe siecle, et qui ont faconne le point
de vue de l'apprentissage articiel durant ces dernieres decennies.
1.3.1 La cybernetique
Dans les annees quarante et cinquante, certains scientiques se donnent pour ambition
d'edier une science generale du fonctionnement de l'esprit. Sous l'in uence du mathematicien
Norbert Wiener (1894-1964), ils identient ce programme par le terme de cybernetique . Leurs
travaux, leurs discussions et debats donnerent lieu a dix conferences tenues a New-York sous le
nom de conferences Macy du nom de la fondation philanthropique les nancant. Une partie des
papiers fondateurs de ce mouvement sont reproduits dans [PT95], tandis que [Dup94] retrace
l'historique et les clivages conceptuels de la cybernetique et des sciences cognitives orthodoxes.
L'un des postulats des cyberneticiens de la premiere heure, c'est qu'il est vain de vouloir
apprehender directement les notions d'intelligence, de conscience, de memoire, d'anticipation,
d'intentionalite. Pour etudier l'esprit, il faut le naturaliser ou le materialiser et pour cela, d'une
part assimiler l'esprit a l'activite du cerveau et d'autre part, poser que celui-ci est une machine.
Il en decoule une triple focalisation, d'une part sur l'agent cognitif considere individuellement
(plutôt que par exemple sur le fonctionnement global de la culture, de la societe ou de l'envi-
ronnement), d'autre part sur les mecanismes materiels, par exemple neurobiologiques, agissant
a l'interieur de la machine, et enn sur les regles logiques qui sous-tendent le comportement
mesure.
Un agent cognitif devient ainsi un module operant sur des entrees pour les transformer en
sorties. La notion de sujet disparait pour faire place aux concepts de programme, syntaxe et
information telles qu'elles gurent dans la denition de la machine de Turing (1912-1954), des
systemes asservis et autoregules de Wiener, et de la theorie de l'information de Shannon (1916-
2001). On cherche donc a preciser les entrees dont dispose un systeme, en essayant d'evaluer la
quantite d'informations disponibles et corollairement l'eet d'une quantite plus ou moins grande
d'informations sur la performance de l'agent. Les cyberneticiens se concentrent egalement sur
les modules fonctionnels qui permettent de realiser une fonction superieure donnee, telle que
la capacite a s'orienter dans l'espace ou a prendre une decision. De même, on cherche de quels
comportements generiques est capable une structure donnee de modules fonctionnels. Plus tard,
lors de la (( deuxieme cybernetique )), on etendra cette quête a l'etude des totalites engendrees
par une collection de relations et aux systemes auto-organises.
Dans ce cadre, les questions concernant l'apprentissage deviennent relatives a l'eet d'une
quantite croissante d'informations sur la performance du systeme : comment celui-ci s'adapte a
de nouvelles stimulations ou a un nouvel environnement, comment il retrouve un nouvel equilibre.
On cherche egalement ce qu'une modication de structure peut entra^ner comme changement
de performance. Avec la deuxieme cybernetique, l'apprentissage devient completement lie a la
capacite du systeme a s'autoadapter ou a continuer a (( exister )) dans une nouvelle situation.
Le cyberneticien se preoccupe de denir une structure d'unites en interaction et d'etudier, par
simulation, ses capacites d'adaptation spontanee a toutes sortes de milieux.
Ce qui est interessant, c'est que la dimension dynamique de l'apprentissage et sa fonction
d'adaptation a un milieu sont prises en compte. En revanche, la mise en valeur trop exclusive de
simulations experimentales et de reproductions de comportements, par exemple ethologiques, a
jusqu'a present nuit a une construction theorique de l'apprentissage. Il y a plethore d'experiences
singulieres, parfois spectaculaires, et penurie de cadres theoriques.
Le cognitivisme, qui est en partie heritier de la cybernetique, ore curieusement une image
presque inversee, nous allons le voir, avec une myopie sur l'aspect dynamique de l'apprentissage
et son rôle adaptatif, mais avec une forte construction theorique.
1.3.2 Le pari du cognitivisme

Le cognitivisme reprend a son compte l'approche fonctionnaliste de l'esprit selon laquelle
celui-ci peut, d'une part, être aborde par ses manifestations sans avoir a presupposer de quel-
conques facultes mentalistes, et, d'autre part, être considere comme une fonction calculable,
c'est-a-dire realisable par une machine de Turing. Cette derniere idee permet en outre d'envi-
sager la separation de l'aspect materiel (le hardware) de la machine de son aspect logiciel. De
cette maniere, c'est entierement sur le logiciel, les programmes, que se trouve reportee la charge
de toutes les eventuelles proprietes cognitives du systeme.
Mais le cognitivisme va plus loin. Si pour lui, comme pour la cybernetique, penser c'est
calculer comme un ordinateur, il ne s'agit pas en revanche de manipuler des symboles denues
de sens, mais de manipulation reglee de symboles ayant le statut de representation d'etat du
monde. Pour le dire autrement, les symboles envisages par le cognitivisme ont a la fois une
realite materielle et une valeur semantique. Ils representent certains aspects du monde, et, de ce
fait, les calculs operes par la machine deviennent une simulation qui preserve la structure de la
realite. A toute operation (( mentale )) correspond ainsi une transformation possible du monde.
Le cognitivisme pose de la sorte des contraintes beaucoup plus fortes sur le systeme de symboles
manipules que la cybernetique. Pour donner un exemple, les nombres manipules dans les reseaux
connexionnistes n'ont pas le statut de symboles pour le cognitivisme, et si un cognitiviste etudie
un tel reseau, il le fera en l'abordant a un autre niveau, dans lequel il pourra lui attribuer des
connaissances et des regles de raisonnement.
Il s'agit alors d'enoncer comment est constituee une representation et ce qui peut rendre sa
manipulation semantiquement correcte. Pour ce faire, le cognitivisme s'est naturellement trouve
in uence par le mouvement de pensee le plus caracteristique et le plus in uent du XXe siecle,
a savoir celui selon lequel la realite est organisee comme un langage. A l'instar d'autres disci-
plines comme la biologie, maintenant entierement concue comme elucidation du code genetique,
l'ethnologie de Levi-Strauss inscrite dans le mouvement structuraliste, la psychanalyse cher-
chant le code de l'inconscient, et même la physique 4, les sciences cognitives ont ete chercher du
côte de la philosophie analytique { essentiellement une philosophie du langage { une solution a
leur probleme. Selon cette approche, la pensee procede a partir de propositions portant sur le
monde, dotees d'une syntaxe, et manipulees suivant des regles d'inference strictes d'un langage
formel, parmi lesquelles gurent au premier plan la deduction, l'abduction, la generalisation,
etc., c'est-a-dire des regles d'inference liees a la logique.
On ne s'attardera pas ici sur les dicultes de nature philosophique rencontrees par cette
approche, touchant entre autres au probleme de la reference et de l'intentionalite (voir par
exemple l'excellent livre de Joelle Proust [Pro97]). En revanche, il est important de souligner les
consequences de ce point de vue pour l'etude de l'apprentissage.
A partir du moment ou la cognition est consideree comme la manipulation, suivant un

ensemble de regles strictes, de propositions sur le monde, il devient naturel d'envisager l'ensemble
de toutes les propositions possibles sur le monde et de toutes les theories correspondantes. Cet
ensemble de (( mondes possibles )) sera assimile a un espace d'hypotheses potentielles pouvant
expliquer les manifestations observees du monde. Selon cette perspective, l'apprentissage devient
la recherche d'une, ou plusieurs, hypothese(s), s'accordant aux donnees recueillies jusque-la. Et
l'etude de l'apprentissage selon ce point de vue amene alors naturellement a considerer un certain
nombre de questions.
Nous invitons ici le lecteur a faire une pause et a s'interroger sur le programme de recherche
qu'il envisagerait a ce point. Il s'agit la en eet de tester a quel point un parti pris philosophique
sur un sujet determine ensuite de maniere tres profonde la nature du questionnement qui va
faconner toute la discipline.
Voici, par exemple, un ensemble de questions fondamentales qui faconnent le point de vue
cognitiviste :
Comment evolue l'espace d'hypotheses en fonction des donnees disponibles sur le monde?
Peut-on montrer qu'il se reduit? Si oui, a quelle vitesse? Peut-il y avoir espoir de converger
vers une hypothese unique? Et si, apres qu'un certain nombre d'elements d'informations a
ete recueilli, il reste plusieurs hypotheses, peut-il y avoir espoir qu'elles aient une parente
ou un proximite pour pouvoir, sans trop de risque, en choisir une plutôt qu'une autre?
Comment peut-on rendre ecace l'exploration de l'espace des hypotheses en cours d'ap-
prentissage?
Quelles sont les regles d'inference appropriees pour rendre compte de l'apprentissage? En
particulier, par quels operateurs peut-on modeliser les regles d'inference telles que l'induc-
tion, l'analogie, l'abduction, qui correspondent a des formes de raisonnement permettant
d'elaborer une representation plus operatoire que la simple memorisation des entrees?
A ce stade, ces questions sont encore vagues. Nous verrons comment elles peuvent être
precisees dans les modeles et les algorithmes de l'apprentissage, comme dans le cadre des theories
de l'apprenabilite. Il ne faudra pour autant pas oublier le formidable reductionnisme dont elles
sont issues, en particulier la projection operee ainsi de la cognition sur le plan des representations
et des regles de la logique formelle. Par ailleurs, a trop se mettre au niveau de la proposition
4. Dont une grande partie de l'activite est tournee vers l'exploration des consequences de manipulations du langage
mathematique (par exemple la theorie des groupes qui permet de predire, et avec quel succes, l'existence de
particules). Si la physique s'enivre d'une telle puissance, elle ne peut que s'interroger sur (( le pouvoir predictif
deraisonable des mathematiques )) [Wig60].
et de la regle d'inference, la scene globale, le fonctionnement des theories et de la connaissance
en general nissent par être occultes. C'est sans doute le prix a payer pour faire les premiers
pas. Il ne faut cependant pas en devenir dupe et negliger l'objectif qui est la comprehension de
l'apprentissage, en particulier dans sa dimension liee a la construction de connaissances, telle
que l'envisage par exemple la didactique.
Nous pensons que le reste de l'ouvrage montrera que l'apprentissage articiel tel qu'il est
aborde actuellement est place a la resultante des in uences de la cybernetique et du cognitivisme.
Du second, il a pris les concepts d'espace d'hypotheses, de langage de representation, de regles
d'inference, de recherche dans un espace de possibilites. Cela a rendu possible les premieres
simulations, les premiers programmes. Mais il a fallu aussi l'apport du premier courant pour
que, en relâchant les contraintes sur les symboles manipules, on ose se servir de toute une
panoplie d'outils mathematiques permettant de caracteriser l'apprentissage comme un processus
de convergence vers une fonction cible. Il reste sans doute maintenant a depasser ces deux
perspectives, mais pour cela il est utile de les conna^tre et d'en peser l'in uence.
La suite de ce chapitre vise a fournir les concepts et notations de base necessaires a la
comprehension du reste de l'ouvrage. Les lecteurs interesses par un debat entre plusieurs pers-
pectives sur l'apprentissage (incluant la didactique, la psychologie et l'informatique) peuvent se
reporter par exemple a [TNC+ re].
1.4 Les concepts de base de l'apprentissage

An de presenter les principaux concepts permettant d'etudier l'apprentissage, nous allons
nous referer dans ce chapitre introductif a un scenario certes limite, mais servant de cadre ideal a
la majorite des recherches actuelles sur l'apprentissage articiel : celui de l'induction supervisee.
Il faudra bien sûr l'amenager, voire le bousculer, a l'occasion, mais il fournit un bon point de
depart.
Qu'est-ce que l'induction? C'est le processus par lequel on tire des lois de portee generale
en partant de l'observation de cas particuliers. C'est ainsi que l'avimateur novice evoque dans
la preface cherche une loi generale lui permettant de distinguer les oies des cygnes. Pour ce
faire, il a a sa disposition quelques exemples de volatiles, sur lesquels il eectue des mesures
(la couleur, la taille, par exemple). De plus, il dispose d'un expert qui lui dit a quelle espece
appartient chacun d'eux. Dans ce cas, dans lequel un (( oracle )) fournit la bonne reponse, on
parle d'induction supervisee. Nous denissons ceci plus formellement ci-dessous.
1.4.1 Un scenario de base pour l'induction
Dans ce scenario, nous supposons qu'un systeme apprenant recoit des donnees de l'univers
dans lequel il est place. Nous ne nous interrogerons pas ici sur ce qui permet de denir et de
segmenter ces (( donnees )). Dans le cas de l'apprentissage supervise, chacune de ces donnees
prend la forme d'un couple dans lequel on distingue d'une part la description d'une situation ou
encore observation (par exemple une situation de jeu, ou bien une matrice de niveaux de gris),
et d'autre part une reponse, que l'on appelle aussi frequemment sortie desiree, (par exemple
situation de mat en trois coups ou bien lettre à', ou encore volatile = cygne) qui est supposee
être fournie par un oracle. Une donnee z i est ainsi denie par un couple (observation, sortie
desiree) que nous noterons (xi , ui ) 5 . Voir la gure 1.5.
5. Nous utilisons la lettre u en accord avec les notations de l'automatique et de la theorie du contrôle, nous reservant
la lettre y i pour indiquer la sortie produite par le systeme apprenant en reponse a l'entree xi .
1.4.2 Quelques notions cles

1.4.2.1 Le critere de succes
Dans le scenario de l'apprentissage supervise, la tâche de l'apprenant est d'essayer d'approxi-
mer au mieux la sortie desiree ui pour chaque entree observee xi . Dans le cas ideal, l'apprenant
devient capable, apres un certain temps d'apprentissage, de predire exactement, pour chaque
entree xi , la sortie desiree ui . En general cependant, il faudra se contenter d'une approximation
de la reponse de l'oracle. Nous formaliserons plus loin cette notion d'approximation grâce a une
fonction de risque, encore appelee critere de succes, qui dependra a la fois du domaine etudie et
de l'objectif de l'apprentissage.
Le critere de succes est ce qui est mesure dans l'evaluation de la performance. Il s'agit donc
d'un critere relatif a un observateur externe. Par exemple, la performance sera mesuree en fonc-
tion du nombre d'erreurs commises par l'apprenant en cours d'apprentissage, ou en fonction de

son taux d'erreur apres apprentissage. Dans une tâche qui prend une importance grandissante
avec le reseau Internet, celle qui consiste a chercher des documents relatifs a une requête parti-
culiere, la performance sera fonction a la fois du nombre de documents pertinents trouves par le
systeme rapporte au nombre reel de documents pertinents et du nombre de documents pertinents
non trouves. Plus generalement, la mesure de performance peut inclure des facteurs independants
de l'adequation aux donnees d'apprentissage et de natures tres diverses. Par exemple, la simpli-
cite du resultat d'apprentissage produit par l'apprenant, sa comprehensibilite, son intelligibilite
par un expert, la facilite de son integration dans une theorie courante, le faible coût computa-
tionnel necessaire a son obtention, etc.
Il faut ici faire une remarque importante. Le critere de succes, mesure par un observateur
externe, n'est pas necessairement identique a la fonction de coût ou de perte qui est interne
a l'apprenant et le guide pour faire converger les parametres de son modele d'apprentissage.
Par exemple, un algorithme d'apprentissage de reseau connexionniste cherche generalement a
minimiser un ecart quadratique entre ce qu'il predit sur chaque exemple d'apprentissage et la
sortie desiree. Cette mesure est interne au systeme, elle lui permet de mesurer la qualite de
l'approximation de son modele courant avec les donnees d'apprentissage, mais elle n'est pas
generalement celle qui interesse l'observateur externe qui examine par exemple le taux d'erreur
ou prend eventuellement en compte d'autres criteres comme ceux evoques plus haut.
1.4.2.2 Notion de protocole d'apprentissage
L'apprentissage et son evaluation dependent du protocole qui regle les interactions entre
l'apprenant et son environnement, incluant l'oracle. Il faut ainsi distinguer l'apprentissage hors
ligne (batch learning), dans lequel toutes les donnees d'apprentissage sont fournies d'un seul
coup a l'apprenant, de l'apprentissage sequentiel, incremental ou apprentissage en ligne (on-line
learning) dans lequel les donnees arrivent en sequences et ou l'apprenant doit deliberer et fournir
une reponse apres chaque entree ou groupe d'entrees.
Le protocole stipule egalement le type d'entrees fournies a l'apprenant et le type de sorties
attendues. Par exemple, un scenario peut specier qu'a chaque instant l'apprenant recoit une
observation xi , qu'il doit alors fournir une reponse yi , et que seulement alors l'oracle produit
la reponse correcte ui . (Voir gure 1.4, partie gauche). Une illustration d'un tel protocole est
fournie par le cas d'un systeme essayant de predire le cours du lendemain d'un titre en bourse
a partir d'informations sur le contexte economique courant. A chaque fois la reponse correcte
est disponible le lendemain seulement. On parle alors naturellement de tâche de prediction.
Plus fondamentalement, les tâches dites de prediction s'interessent a prevoir correctement une
reponse en un point precis : quel sera le cours du soja demain a midi, la consommation electrique
dans trois mois, quelle est la pathologie de ce patient particulier, etc.
Les tâches de prediction sont a contraster avec les tâches d'identication dans lesquelles le but
est de trouver une explication globale parmi toutes celles possibles, qui une fois connue permettra
de faire des predictions quelle que soit la question. Un systeme d'analyse boursiere pourrait ainsi
chercher a identier la fonction suivie par le cours du soja. De même, un fournisseur d'electricite
pourrait vouloir conna^tre l'ensemble de la courbe de la consommation sur une annee. Dans le
cas de la medecine, une tâche d'identication consisterait a trouver des lois permettant de faire
un diagnostic pour n'importe quel malade et non pour un patient particulier.
Le scenario sera alors dierent. Par exemple, il pourra prevoir que le systeme apprenant doit
fournir apres chaque nouvelle entree (xi ; ui ) une hypothese sur la (( fonction cachee )) de l'oracle
par laquelle celui-ci determine ui en fonction de xi . On concoit que le critere de succes ne soit
pas le même dans le cas d'une tâche de prediction que dans celui d'une tâche d'identication.
Dans ce dernier cas, en eet, on demande beaucoup plus a l'apprenant puisqu'on attend de lui
une hypothese explicite, donc une sorte d'explication de ses predictions (voir gure 1.4, partie
droite).
Par ailleurs, l'apprenant peut être plus ou moins actif. Dans les protocoles decrits jusqu'ici,
l'apprenant recoit passivement les donnees sans avoir d'in uence sur leur selection. Il est possible
d'envisager des scenarios dans lesquels l'apprenant a une certaine initiative dans la recherche d'in-
formations. Dans certains cas, cette initiative est limitee, par exemple lorsque l'apprenant, sans
avoir la totale ma^trise du choix de l'echantillon d'apprentissage, est simplement capable d'orien-
ter sa distribution de probabilite. Les methodes de boosting, decrites dans le chapitre 11, en sont
une illustration. Dans d'autres cas, l'apprenant peut poser des questions sur la classe d'apparte-
nance d'une observation, on parle alors d'apprentissage par requête d'appartenance (membership
queries), ou même organiser des experiences sur le monde, et on parle alors d'apprentissage actif.
Le jeu de MasterMind, qui consiste a deviner une conguration de pions de couleurs caches en
posant des questions suivant certaines regles, est un exemple simple d'apprentissage actif dans
lequel l'apprenant possede l'initiative des questions.
1.4.2.3 Notion de tâche d'apprentissage

Il est possible d'aborder l'objectif du processus d'apprentissage suivant plusieurs points de
vue.
Par rapport a la connaissance

Le but de l'apprentissage peut être de modier le contenu de la connaissance 6 . On parle alors
d'acquisition de connaissances, de revision, et, pourquoi pas, d'oubli. En parlant de maniere
informelle, l'apprenant sait desormais plus ou moins de choses. Mais cela ne prejuge pas de sa
capacite a utiliser ses connaissances.
Le but de l'apprentissage peut aussi être, sans necessairement modier le (( contenu )) de
la connaissance, de le rendre plus ecace par rapport a un certain but, par reorganisation,
optimisation ou compilation par exemple. Ce pourrait être le cas d'un joueur d'echecs ou d'un
calculateur mental qui apprend a aller de plus en plus vite sans pour autant conna^tre de nouvelles
regles de jeu ou de calcul. On parle dans ce cas d'optimisation de performance (speed-up learning).
6. Qui peut-être mesure par exemple par sa clôture deductive, c'est-a-dire, dans une representation logique, tout ce
qui peut être deduit correctement a partir de la base de connaissances courante.
Nature Apprenant Nature Apprenant

? ? ? ?
? ?
Espace des exemples Espace des exemples

x ,u(x )
1 1 x1
h h1 (x 1)
1
"oui" ou "non"
x ,u(x )
2 2 x2
h2 h (x )
2 2
x ,u(x ) "oui" ou "non"
3 3
h3 x3
h (x )
3 3
"oui" ou "non"
Apprentissage ou identification Prédiction
Fig. 1.4 { Dierence entre un protocole d'identication (a gauche) et un protocole de prediction
(a droite). Dans le protocole d'identication, l'objectif de l'apprenant est de trouver
une hypothese h qui rende bien compte des donnees d'apprentissage. Dans le protocole
de prediction, l'apprenant doit (( seulement )) chercher a trouver la bonne reponse a
une question particuliere. Ici, on suppose qu'apres chaque prediction, l'apprenant
recoit une conrmation ou une inrmation de sa prediction.
Par rapport a l'environnement

La tâche de l'apprentissage peut aussi être denie par rapport a ce que l'agent apprenant
doit realiser pour (( survivre )) dans son environnement. Cela peut inclure :
Apprendre a reconna^tre des formes (par exemple : des caracteres manuscrits, des oiseaux,
des predateurs, une tendance haussiere a la bourse, une appendicite, etc.). Lorsque l'ap-
prentissage se fait avec un professeur, ou oracle, qui fournit les reponses desirees, on parle
d'apprentissage supervise. Sinon, on parle d'apprentissage non supervise. Dans ce cas, la
tâche d'apprentissage consiste a la fois a decouvrir des categories et a trouver des regles
de categorisation.
Apprendre a predire. Il y a alors une notion de dependance temporelle ou de causalite.
Apprendre a être plus ecace. C'est le cas notamment des situations de resolution de
probleme, ou de recherche de plans d'action dans le monde.
Par rapport a des classes abstraites de problemes
Independamment même d'un algorithme d'apprentissage, il est possible de caracteriser l'ap-
prentissage par une classe generale et abstraite de problemes et de processus de resolution qui leur
sont lies. C'est ainsi qu'un certain nombre de disciplines, en particulier issues des mathematiques
ou de la theorie de l'information, se sont decouvertes un interêt pour les problemes d'apprentis-
sage.
Les theories de compression d'information. En un certain sens, l'apprentissage peut être
aborde comme un probleme d'extraction et de compression d'information. Il s'agit d'ex-
traire l'information essentielle ou le message initial d'un emetteur ideal, debarasse de toutes
ses redondances. En un sens, les sciences d'observation, telles l'astronomie ou l'ornithologie,
procedent par elimination des details super us ou redondants et par la mise en evidence
de regularites cachees.
La cryptographie. Dans une perspective analogue, proche des preoccupations de la theorie
de l'information, l'apprentissage peut être considere comme une tâche de decodage ou même
de decryptage d'un message code par l'emetteur ideal et intercepte en tout ou partie par
l'agent. Apres tout, c'est parfois ainsi qu'est vu le scientique etudiant la nature. Il est alors
logique de se demander sous quelles conditions un message peut être (( casse )), c'est-a-dire
sous quelles conditions un apprentissage est possible.
L'analyse. L'apprentissage peut egalement être examine comme un probleme d'approxima-
tion. C'est particulierement clair lorsque l'on adopte le point de vue de la gure 1.5. La
tâche de l'apprenant est bien alors de trouver une approximation aussi bonne que possible
d'une fonction cachee connue uniquement par l'intermediaire d'un echantillon de donnees.
Le probleme de l'apprentissage devient alors souvent celui de l'etude des conditions d'ap-
proximation et de convergence. Nous aurons largement l'occasion de developper ce point
de vue, actuellement dominant, dans le chapitre 2.
L'induction. Dans les annees soixante-dix et au debut des annees quatre-vingt, sous l'in-
uence du point de vue cognitiviste, une large communaute de chercheurs, particulierement
active en France, s'est penchee sur l'apprentissage en tant que probleme de generalisation.
Cette approche part de deux presupposes essentiels. D'une part, l'agent cognitif appre-
nant doit apprendre quelque chose qu'un autre agent cognitif equivalent conna^t. Il est
donc normalement capable d'atteindre parfaitement la connaissance cible. D'autre part,
les connaissances et les donnees peuvent être decrites par un langage. On cherche alors
quels sont les operateurs dans ce langage qui peuvent correspondre a des operations de
generalisation ou de specialisation utiles pour l'induction, et on construit des algorithmes
les utilisant, permettant de resumer les donnees tout en evitant de les surgeneraliser et
d'en tirer des consequences illegitimes.
Les mathematiques appliquees. Finalement, l'ingenieur peut être tente de voir dans l'ap-
prentissage un cas particulier de resolution de probleme inverse. Dans le cas d'un probleme
direct, on se donne une (( structure )) et on en cherche les consequences. Par exemple, tel
avion est capable de supporter telle charge dans telles conditions. Dans le cas d'un probleme
inverse, on se donne des specications sur les capacites souhaitees et on cherche a concevoir
un objet qui les verie. C'est evidemment typiquement le probleme auquel sont confrontes
les ingenieurs. Prenons deux exemples :
{ On peut dire que la theorie des probabilites est une theorie s'attachant a un probleme
direct (etant donne un modele parametre, quelles sont les probabilites associees a tel
evenement?), tandis que la theorie des statistiques s'attaque a un probleme inverse
(etant donne un echantillon de donnees, quel modele permet de l'expliquer, c'est-a-
dire peut l'avoir produit?).
{ E tant donnes deux nombres, il est facile d'en trouver le produit (probleme direct), il
est en revanche generalement impossible de trouver a partir d'un nombre ceux dont
il est le produit (probleme inverse).
Les problemes inverses sont ainsi souvent des problemes que l'on dits mal poses, c'est-
a-dire n'ayant pas de solution unique. Selon cette perspective, l'etude de l'apprentissage
peut être vue comme celle des conditions permettant de resoudre un probleme mal pose,
c'est-a-dire des contraintes qu'il faudra ajouter pour que la procedure de resolution puisse
trouver une solution particuliere.
Par rapport aux structures de donnees ou types d'hypotheses visees

Il arrive frequemment que l'on impose le type de structure de donnees (ou de langage d'ex-
pression d'hypotheses) qui doit être recherche par le systeme apprenant. Cela permet de guider
a la fois la determination de l'algorithme d'apprentissage a utiliser, mais aussi les donnees qui
seront necessaires pour que l'apprentissage soit possible. Sans chercher a être exhaustif, nous y
reviendrons pmus longuement au chapitre 3, nous citerons parmi les principales structures de
donnees etudiees :
Les expressions booleennes, qui sont souvent appropries pour apprendre des concepts denis
sur un langage attribut-valeurs (par exemple des regles de systeme expert).
Les grammaires et les processus markoviens, permettant de representer des sequences
d'evenements.
Les fonctions lineaires ou non lineaires permettant de discriminer des formes appartenant
a un sous-espace ou a son complementaire.
Les arbres de decision qui permettent l'expression de classications par des hierarchies de
questions. L'arbre de decisions correspondant est souvent a la fois concis et comprehensible.
Les programmes logiques auxquels il faut songer lorsque l'on cherche a apprendre des
concepts relationnels.
Les reseaux bayesiens permettant a la fois de representer des univers structures par des
relations de causalite et de prendre en compte et d'exprimer des mesures de certitude ou
de conance.
Parfois l'apprentissage peut consister a changer de structure de donnees pour en trouver une
equivalente mais plus ecace du point de vue computationnel. C'est encore une fois, sous un
autre angle, le probleme de l'optimisation de performance.
1.4.3 L'induction vue comme une estimation de fonction
Apres avoir brievement passe en revue les facteurs et les points de vue en jeu dans l'appren-
tissage articiel, nous allons maintenant esquisser la maniere dont est envisage actuellement le
processus d'apprentissage. Nous allons considerer la tâche de l'apprenant, ainsi que l'approche
suivie pour la mener a bien. Il s'agit ici d'un premier expose qui sera precise, de maniere plus for-
melle dans le chapitre 2 et dans son complement, le chapitre 17, et qui permettra de comprendre
le fonctionnement des algorithmes d'apprentissage decrits dans les chapitres suivants.
Revenons sur le scenario esquisse dans la section 1.4.1 et dans la gure 1.5. Nous supposons
que l'environnement, qu'il soit mesure par les senseurs d'un robot ou qu'il s'exprime sous la
forme d'une base de donnees, fournit un ensemble de formes xi denies sur l'espace des entrees
X et tirees aleatoirement suivant une distribution de probabilites notee DX (on parle de tirage
independant et identiquement distribue ou tirage i.i.d.). On peut ainsi imaginer qu'une webcam
prenne des images a intervalles reguliers d'un carrefour a New-York, et que les formes xi mesurees
correspondent aux vehicules observes. On pourra supposer que ces vehicules sont independants
les uns des autres (sauf dans le cas de corteges ociels ou mortuaires), mais que leur distribution
dependra de la ville, New-York se revelant sans doute dierent de Londres ou Nouakchott 7 sous
cet aspect.
Dans le cadre de l'apprentissage supervise, nous supposons egalement qu'un oracle etiquette
les formes xi grâce a une fonction inconnue de l'apprenant, que nous appellerons fonction cible,
7. Capitale de la Republique islamique de Mauritanie.
x1, x 2, ..., x m
Environnement X : "Oracle"
distribution de prob . DX
S m = (x 1,u1), (x 2,u2), ..., (xm,um )
Apprenant : h(x, α)
x1, x 2, ..., x m y1, y2, ..., ym
Fig. 1.5 { Le scenario classique de l'apprentissage par induction. L'environnement fournit des
donnees xi tirees aleatoirement suivant une distribution DX sur l'espace d'entree X .
Ces donnees sont etiquetees par un oracle qui utilise pour ce faire une fonction f 2 F .
L'apprenant recoit un echantillon d'exemples ou couples (xi ; ui ) = (xi ; f (xi )), et a
partir de cet echantillon, doit chercher a deviner f , ou au moins a en trouver une
approximation h.
notee f . L'apprenant recoit donc un ensemble d'exemples

S = fxi ; uig1im = fxi; f (xi)g1im
(voir gure 1.5). On supposera que l'oracle choisit la fonction cible f dans une famille de fonctions
notee F . On supposera egalement ici, qu'une fois selectionnee par l'oracle, la fonction f reste
constante, de même que la distribution DX des formes xi . Nous etudierons plus tard le cas
d'une fonction cible bruitee ou presentant une derive au cours du temps, ainsi que le cas d'une
distribution variable des exemples.
Cette description de l'apprentissage, plus precisement de l'induction, conduit naturellement
a voir l'apprentissage comme une tâche d'estimation de fonction a partir d'un echantillon de son
comportement. Il s'agit la eectivement du point de vue dominant actuellement.
Notons que le cadre de l'estimation de fonction cible est tres general puisqu'il couvre de
nombreuses tâches d'apprentissage classiques. Par exemple :
Un probleme de regression peut être vu comme un probleme d'estimation dans lequel il
s'agit de trouver une fonction h telle que :
8x 2 X ; h(x) f (x) = u
L'apprentissage d'une classication d'objets (par exemple apprendre a classer des images
de pieces de mobilier en types de meubles, des volatiles caracterises par un certain nombre
d'attributs en types d'oiseaux, etc.) peut-être vu comme l'estimation d'une fonction a
valeur discrete, ou a chaque entree correspond une valeur correspondant a une classe.
L'apprentissage de la reconnaissance des lettres de l'alphabet peut ainsi être aborde comme
l'estimation d'une fonction denie sur un espace d'entree (par exemple une matrice de
pixels) vers un espace de sortie a 26 valeurs.
L'apprentissage de concept, dans lequel il s'agit d'apprendre a reconna^tre une classe d'ob-
jets parmi tous les autres objets, peut être considere comme l'estimation d'une fonction
binaire (on dit aussi fonction indicatrice), prenant la valeur 1 quand la forme d'entree est
de la classe cible et 0 autrement.
Un probleme d'optimisation multicriteres dans lequel on cherche a optimiser a la fois plu-

sieurs criteres objectifs peut être vu comme l'estimation d'une fonction multi-valuee.
Toujours pour simplier, nous supposerons que l'apprenant cherche une approximation de la
fonction cible a l'interieur d'une famille H de fonctions hypotheses h. C'est le cas par exemple
d'un apprenant utilisant un reseau de neurones dont l'architecture contraint le type de fonctions
realisables a un certain ensemble de fonctions. Par exemple aussi, le desormais fameux avimateur
novice ne cherche que des separations lineaires dans l'espace des descriptions des oies et des
cygnes.
Pour denir le probleme d'apprentissage, il faut maintenant se donner un critere de perfor-
mance. On evaluera la qualite de l'estimation h relativement a une esperance de performance
dans un environnement donne. C'est pourquoi on specie generalement le critere de performance
d'une fonction hypothese h sous la forme d'une expression exprimant ce que coûtera le choix de
la fonction hypothese h si la vraie fonction inconnue est f . Par exemple, la performance d'un
systeme d'apprentissage de diagnostic sera mesuree par l'esperance de coût de la decision h(x)
lorsque la vraie pathologie est f (x). C'est ce que denote l'equation suivante :
Z
R(h) = l(h(x); f (x))dx (1.1)
x2X;DX
dans laquelle R(h) denote une fonction de risque, tandis que l designe une fonction de perte
denie pour chaque exemple. L'integrale est prise sur l'ensemble des formes x 2 X possibles
suivant la distribution donnee DX .
Par exemple, si l'apprenant se trouve a New-York, la distribution des voitures de couleur
jaune est dierente de celle trouvee a Londres. En supposant que le probleme soit d'apprendre a
reconna^tre des taxis, il faut prendre en compte la distribution des vehicules dans l'environnement
d'apprentissage. On suppose naturellement que cette distribution des formes est aussi celle qui
sera rencontree apres l'apprentissage. C'est pourquoi cette distribution appara^t dans l'expression
du risque. (Apprendre a reconna^tre des taxis dans New-York peut se reveler d'une utilite limitee
si l'on doit ensuite se debrouiller a Londres, ou plus encore en Mauritanie). Ce serait un non-
sens de fournir un echantillon de donnees non representatif de l'environnement qui sera rencontre
ensuite par l'apprenant et de lui demander d'en tirer une information qui le rende performant
dans ce nouvel environnement inconnu pour lui.
La fonction de risque (1.1) mesure donc l'esperance de perte dans un environnement donne,
specie par la distribution DX des evenements mesurables par l'apprenant.
Pour selectionner une fonction hypothese h, l'apprenant doit se fonder sur l'information ap-
portee par chaque exemple fxi ; ui g qu'il peut comparer a la prediction de la fonction d'hypothese
h(xi ).
Nous avons deni la tâche d'apprentissage comme celui d'un probleme d'estimation de fonc-
tion a partir de l'observation d'un echantillon de donnees. Nous nous tournons maintenant vers
les principes permettant de realiser cette estimation.
1.5 L'induction comme un jeu entre espaces

Dans le but de simplier toute la discussion qui suit et de permettre une visualisation aisee des
problemes, nous nous focalisons dans cette section sur l'apprentissage supervise de concept, c'est-
a-dire sur l'apprentissage de fonctions indicatrices ou encore a valeur dans f0; 1g. Les notions
abordees seront cependant d'une portee beaucoup plus generale et valables pour l'essentiel dans
toutes les situations d'apprentissage.
L'apprentissage supervise de concept consiste a chercher une fonction f : X ! f0; 1g, c'est-
a-dire un etiquetage de chaque forme x 2 X par 0 ((( x n'appartient pas au concept vise ))) ou
1 (x (( appartient au concept ))) 8 . Cette fonction est apprise a partir d'un echantillon de points
etiquetes que l'on appelle echantillon d'apprentissage. Nous noterons
S = f(x1 ; u1); (x2 ; u2 ); :::; (xm; um)g
un echantillon d'apprentissage de m points non necessairement tous distincts (lorsqu'il sera
important de preciser la taille de l'echantillon d'apprentissage, nous le noterons Sm ). Pour des
raisons evidentes, on appelle souvent exemples ou exemples positifs les points etiquetes par
1 ou par '+', et contre-exemples ou exemples negatifs les points etiquetes par 0 ou par '-'.
Il arrivera cependant dans la suite de l'ouvrage que nous parlions d'exemples pour denoter
les points etiquetes, qu'ils le soient positivement (exemples au sens propre) ou negativement
(contre-exemples). La gure 1.6 schematise la tâche d'apprentissage de concepts.
?
- -
+ - -
-
- - + + -
+ +
+ +
+
+ - +
- - -
- -
- X
Fig. 1.6 { A partir d'un echantillon de points etiquetes, ici gures par des points '+' et des
points '-', l'apprenant cherche une partition de X permettant de discriminer les
formes x appartenant au concept de celles n'y appartenant pas.
Nous supposons maintenant, d'une part que l'echantillon d'apprentissage n'est pas bruite,
c'est-a-dire que les exemples sont correctement decrits et correctement etiquetes, d'autre part
qu'il est n'est pas incoherent, au sens ou la même forme n'est pas a la fois exemple et contre-
exemple.
Dans ce cadre, l'echantillon d'apprentissage S = f(x1 ; u1 ); (x2 ; u2 ); :::; (xm ; um )g fournit une
information coherente ou encore consistante (un anglicisme qui s'est introduit dans le jargon de
l'apprentissage articiel mais que, pour notre part, nous eviterons) a l'apprenant dans la mesure
ou la partie de X qu'il cherche doit couvrir tous les exemples positifs de l'echantillon (ce que
l'on appelle la propriete de completude) et ne couvrir aucun des exemples negatifs (ce que l'on
appelle la propriete de correction).
Dans ce cadre restreint, on peut maintenent poser deux questions :
Quelle information est fournie par chaque exemple?
8. Ces deux classes sont aussi notees f+; ;g.
Comment, sur la base de l'echantillon d'apprentissage, choisir une hypothese, c'est-a-dire

dans le cas de l'estimation d'une fonction indicatrice, une partition de X ?
1.5.1 L'apprentissage est impossible...
Dans le cadre de l'induction de concept, donc d'une fonction indicatrice denie sur l'espace
X des entrees, l'apprentissage revient a chercher une partition de l'espace X . En eet, il s'agit
d'identier les regions de X , donc les formes x, correspondant au concept vise (voir gure 1.6).
Que peut nous apprendre un echantillon d'exemples S sur cette partition?
Supposons que l'apprenant soit prêt a considerer toutes les partitions possibles de X , donc
que n'importe quel etiquetage des formes x 2 X soit possible a priori. Cela signie que si le
cardinal de X , jXj, est ni, il existe 2jXj partitions possibles de X .
Supposons alors que nous cherchions a determiner la classe d'un point x 2 X inconnu
connaissant la classe de tous les points d'apprentissage xi 2 X . Comment proceder?
Puisque nous manipulons des partitions de X , nous pourrions considerer toutes les partitions
coherentes avec l'echantillon d'apprentissage, puis decider alors de la classe de x en fonction de
ces partitions. Si toutes les partitions coherentes avec l'echantillon S prescrivent que x appartient
au concept, ou au contraire n'y appartient pas, cela determinera notre decision pour la classe
de x. Supposons même que toutes ces partitions ne soient pas d'accord sur la classe de x, nous
pourrions encore decider que la classe de x est la classe majoritaire parmi les predictions de
toutes les partitions coherentes avec l'echantillon d'apprentissage.
Malheureusement, aucun de ces deux cas de gure ne se presente. Il se trouve que si l'on prend
toutes les partitions coherentes avec n'importe quel ensemble de points d'apprentissage S (c'est-
a-dire predisant correctement l'etiquette de chacun de ces points), et si l'on prend n'importe quel
point x 62 S , alors il existe autant de partitions predisant l'etiquette 1 pour x que de partitions
predisant l'etiquette 0. L'echantillon d'apprentissage a lui tout seul ne fournit donc pas une base
susante pour decider de la classe d'un point nouveau. L'induction, c'est-a-dire l'extrapolation
du connu a l'inconnu est impossible. Seul un apprentissage par cur est realisable.
Les deux questions soulignees dans la section precedente ont donc recu une reponse qui
jette pour le moins une ombre sur la possibilite de l'induction. Chaque exemple ne fournit
aucune information sur une forme inconnue. Toutes les partitions de l'espace X coherentes avec
l'echantillon sont egalement probables et leurs predictions s'annulent en chaque point inconnu.
L'aventure de l'apprentissage articiel tournerait-elle court?
Exemple 1 (Apprentissage de fonction boolenne (1))
Soit un ensemble X de points decrits par n attributs binaires. Chaque partition de X correspond
a un etiquetage particulier des 2n points de X . Il existe donc 22n partitions dierentes de X ou
encore 22n fonctions indicatrices denies de X sur f0,1g.
Supposons que l'echantillon d'apprentissage comporte m exemples distincts. Le nombre de
partitions de X compatibles avec ces m exemples est : 22n ;m puisque m points sur les 2n sont
xes.
Prenons le cas de n = 10 attributs binaires et de m = 512 exemples d'apprentissage. Le
cardinal de X est jXj = 210 , soit 1024 points dierents, ce qui n'est pas un espace tres grand. Il
existe 21024 manieres dierentes de les etiqueter par 1 ou 0. Apres l'observation de la moitie de
ces 1024 points, il reste 21024;512 partitions possibles, soit 2512 . On voit que ces 512 exemples
laissent un ensemble considerable de partitions possibles.
E tudions un probleme plus simple dans lequel les exemples sont decrits par trois attributs
binaires. Cela fait 23 = 8 formes possibles. Supposons que cinq exemples parmi ces huit aient
x1 x2 x3 f (x)
0 0 0 +
0 0 1 -
0 1 0 +
0 1 1 ?
1 0 0 +
1 0 1 ?
1 1 0 ?
1 1 1 -
Fig. 1.7 { Soit f une fonction binaire denie sur un espace d'entree a trois attributs. La table
fournit un echantillon de 5 exemples de cette fonction.
ete etiquetes par l'oracle, comme le montre la table 1.7. Pour xer completement une fonction,
il faut determiner la valeur des trois dernieres formes. Il faut donc faire un choix entre 23 = 8
fonctions. Supposons que nous voulions determiner la valeur associee a l'entree (0 1 1). Il y a
quatre fonctions parmi les huit qui sont associees a la sortie + et quatre associees a la sortie -. Il
est donc impossible d'avoir même seulement une preference pour une prediction plutôt qu'une
autre concernant l'etiquette de ce point.
Nous nous sommes places dans le cas ou l'apprenant cherche directement une partition de
l'espace d'entree X , c'est-a-dire qu'il cherche a determiner l'etiquette de chaque forme x 2 X .
C'est evidemment impossible, sauf dans le cas d'espaces X tres restreints pour lesquels un
apprentissage par cur est envisageable. En d'autres termes, il est generalement impossible
d'apprendre une partition de X en extension, c'est-a-dire en enumerant toutes les formes et leur
etiquette associee.
1.5.2 ... sans limiter l'espace des hypotheses

C'est pourquoi on utilise generalement pour decrire des partitions de X un langage de descri-
pion des hypotheses, que nous noterons LH . Celui-ci permet de denir un espace d'expressions ou
d'hypotheses H, par exemple l'espace des hypotheses decrites par une conjonction de conditions
sur les descripteurs 9.
Ainsi, dans l'exemple precedent, on pourrait decrire des fonctions binaires du type (x1 =
0) ^ (x2 = 1) ^ (x3 = 1). En revanche, ce langage interdit de considerer une fonction telle que
(x1 = 0 ^ x2 = 1 ^ x3 = 1) _ (x1 = 0 _ x2 = 0 ^ x3 = 0).
La gure 1.8 donne des exemples de la restriction de l'espace des hypotheses par un langage
de description.
Lorsqu'un espace d'hypotheses H est disponible, la recherche d'une partition de X s'eectue
par l'intermediaire de H. Il s'agit de chercher dans H, une hypothese h correspondant a une
partition de X appropriee.
Les avantages de l'utilisation explicite d'un espace d'hypotheses sont multiples:
1. D'abord, grâce au langage LH , l'apprenant manipule des partitions de X en intension et
non plus en extension. Il travaille sur des expressions du langage LH et non pas sur des
ensembles denis par l'enumeration de leurs elements.
9. Nous verrons au chapitre (3) qu'il s'agit du langage CNF (Conjunctive Normal Form).
?
- -
+ - -
- + xh
- - + -
+ +
+ +
+
+ - +
- - -
- -
- X H
Fig. 1.8 { Introduction d'un espace d'hypotheses H. Chaque point de H, ou encore hypothese,
correspond a une partition de l'espace des entrees X .
2. Ensuite, et c'est un point capital d'apres la discussion de la section precedente, il devient

possible d'eectuer une induction a partir d'un echantillon limite d'exemples. Il sut pour
cela que LH ne permette pas de decrire toutes les partitions de X .
Voyons pourquoi.
Nous allons d'abord le montrer en reprenant l'exemple precedent.
Exemple 2 (Apprentissage de fonction boolenne (2))
Supposons que pour une raison quelconque, l'apprenant qui recoit des entrees decrites sur
les trois descripteurs binaires x1 ; x2 ; x3 ne puisse prendre en compte en fait que le premier
et le troisieme descripteurs, c'est-a-dire x1 et x3 , pour decider de l'etiquette de la forme
recue. Cela revient a dire que le nombre de fonctions que l'apprenant peut considerer est
de 4 (22 ) au lieu des 8 (23 ) possibles lorsque l'on prend en compte les trois descripteurs.
Cela signie en particulier que si l'echantillon d'apprentissage contient les exemples (000) !
; et (010) ! +, l'apprenant ne pourra pas construire une hypothese, c'est-a-dire une fonc-
tion, qui permette d'en rendre compte.
En revanche, cette fois-ci, l'echantillon d'apprentissage fourni dans la table precedente lui
permet de faire une prediction pour le point (0 1 1). Ceci parce que la seule fonction a
valeur sur x1 ; x3 et coherente avec les exemples d'apprentissage est la fonction dont le
tableau est le suivant :
x1 x3 f (x)
0 0 +
0 1 -
1 0 +
1 1 -
Et selon cette fonction, l'etiquette de la forme (0 1 1) est '-'.
Nous voyons donc qu'une limitation de l'espace d'hypotheses rend possible l'induction.
Naturellement, ce pouvoir a un prix. Si les (( illeres )) dont on a muni l'apprenant ne cor-
respondent pas avec la fonction cible de la Nature ou de l'oracle, on ne peut pas l'apprendre
correctement.
La gure 1.9 est egalement une illustration de cette même idee.
Pour qualier ces (( illeres )) qui limitent l'espace des fonctions hypotheses que peut
considerer l'apprenant, on parle d'un biais de representation. E videmment, tout biais de
?
-
- - -
-
- +
+ xh
- + -
+
+ +
+
+
- -
-
- -
- - X H
Fig. 1.9 { Supposons que le langage de representation des hypotheses LH corresponde a une
restriction aux parties de X qui sont des rectangles. Dans ce cas, la donnee du point
'+' indique par la eche implique que tous les points inscrits dans le rectangle dont il
delimite un angle sont de classe '+'. On voit que des lors, il devient possible d'induire
la classe de points jamais observes dans l'echantillon d'apprentissage. Par exemple,
selon ce biais, le point denote par un rond noir est predit appartenir a la classe '+'.
representation correspond a un (( acte de foi )) sur le type d'hypotheses adequat pour decrire
le monde. Cet acte de foi peut être errone auquel cas l'apprentissage peut donner de tres
mauvais resultats (voir gure 1.10). Il faudra arriver a detecter quand c'est le cas.
Nous verrons plus loin que la notion de biais en apprentissage se denit comme toute
restriction de l'ensemble des hypotheses potentielles, y compris des restrictions qui vont
plus loin que les restrictions portant sur le langage d'expression des hypotheses.
Vrai concept
?
- - - -
- +
- xh
-
- +
+ - +
+
+ - - +
+
-
-
- -
-
- - X H
Fig. 1.10 { Supposons que le langage de representation des hypotheses LH corresponde a une
restriction aux parties de X qui sont des rectangles et que la partition (( vraie )) de
la Nature, correspondant aux exemples positifs, soit representee par les deux (( pa-
tatodes )). Dans ce cas, il est impossible d'approximer correctement le concept cible
a l'aide d'une hypothese de H.
3. Finalement, l'espace H des hypotheses peut orir des structures permettant son explora-
tion de maniere plus ou moins systematique et plus ou moins ecace. En particulier, une
relation d'ordre sur H correlee avec la generalite de l'induction eectuee est tres utile (voir
le chapitre 4).
1.5.3 L'exploration de l'espace des hypotheses

Soit un espace d'hypotheses H, un espace d'entree X et un echantillon d'apprentissage
S = ((x1; u1); (x2 ; u2); :::; (xm; um)). La tâche de l'apprenant est de trouver une hypothese
h approximant au mieux, au sens d'une certaine mesure de performance, une fonction cible f
sur la base de l'echantillon S dans lequel on suppose que chaque etiquette ui a ete calculee grâce
a la fonction f appliquee a la forme xi .
Comment trouver une telle hypothese h 2 H ? Deux questions se posent :
1. Comment savoir qu'une hypothese satisfaisante (voire optimale) a ete trouvee, et plus
generalement comment evaluer la qualite d'une hypothese?
2. Comment organiser la recherche dans H ?
Quel que soit le processus guidant l'exploration de H, il est necessaire que l'apprenant puisse
evaluer les hypotheses h qu'il considere a un instant t de sa recherche. Nous avons vu (sec-
tion 1.4.2.1) que cette evaluation fait intervenir une fonction de coût interne (par exemple un
ecart quadratique entre les sorties calculees a partir de h et les sorties desirees u fournies dans
l'echantillon d'apprentissage). C'est cette fonction de coût, plus, eventuellement, d'autres in-
formations fournies par l'environnement (y compris l'utilisateur par exemple), qui permet a
l'apprenant de mesurer sa performance sur l'echantillon d'apprentissage et de decider s'il doit
poursuivre sa recherche dans H ou s'il peut s'arrêter.
Par exemple, dans le cas de l'apprentissage supervise de concept, en supposant des
descriptions non bruites des entrees, l'apprenant cherche une hypothese exprimable
dans le langage LH couvrant tous les exemples positifs de l'echantillon d'apprentis-
sage et ne couvrant aucun des exemples negatifs.
La gure 1.11 schematise la recherche d'une hypothese dans le cas d'un apprentissage hors
ligne (quand tout l'echantillon d'apprentissage est suppose d'emblee disponible). La gure 1.12
est relative a un apprentissage en ligne, dans lequel les exemples sont fournis sequentiellement.
Dans ce dernier cas, on suppose ici que l'hypothese courante ht est comparee a l'entree courante
zt+1 = (xt+1; ut+1 ) et modiee s'il y a lieu.
-
- - -
-
-
-
-
-
- +
+
+ + -
? x hi
+ x hj
+ x hk
+ +
- -
-
- -
- - X H
Fig. 1.11 { Si l'hypothese courante ht est insatisfaisante {ici elle n'exclue pas tous les exemples
negatifs connus{, alors il faut que l'apprenant cherche une nouvelle hypothese dans
H. La question est : ou doit-il chercher?
En supposant qu'a l'instant t, l'apprenant juge insatisfaisante son hypothese courante ht ,
comment peut-il en changer? C'est la que se decide l'ecacite de l'apprentissage et que joue la
structure exploitable sur l'espace H. Plus celle-ci sera riche et ne, et plus il sera envisageable
-
- - -
-
-
-
-
+
+
+ + -
? x hi
+ x hj
+ x hk
+ +
- -
-
- -
- - X H
Fig. 1.12 { Si l'hypothese courante ht est insatisfaisante (ici elle ne couvre pas le nouvel exemple
zt+1 = (xt+1 ; ut+1 )), alors il faut que l'apprenant cherche une nouvelle hypothese
dans H. Encore une fois, la question est : ou doit-il chercher?
d'organiser ecacement l'exploration de H. Examinons rapidement trois possibilites par ordre

croissant de structuration.
L'espace H des hypotheses ne presente aucune structure. Dans ce cas, seule une exploration
aleatoire est possible. Rien ne permet de guider la recherche, ni même de tirer parti des
informations deja glanees sur H. C'est le cas ou l'on ne conna^trait rien a priori sur H.
Une notion de voisinage est denissable sur H. Il est alors possible d'operer une exploration
par des techniques d'optimisation comme le gradient 10 . L'avantage de ces techniques, et ce
qui les rend si populaires, c'est qu'elles sont d'un usage tres general puisqu'il est souvent
possible de denir une notion de voisinage sur un espace. Un probleme fondamental est
celui de la pertinence de cette notion de voisinage. Une mauvaise relation de voisinage
peut en eet eloigner l'apprenant des regions prometteuses de l'espace ! Par ailleurs, c'est
encore une structure faible qui, sauf dans des cas particuliers (dierentiabilite, convexite,
etc. de la fonction a optimiser) ne permet pas une exploration rapide.
Il est parfois possible de disposer d'une structure plus forte permettant d'organiser l'ex-
ploration de H. C'est le cas en particulier des structures d'ordre partiel induites par des
relations de generalite entre hypotheses. Dans ce cas, par exemple, il devient possible de
modier une hypothese erronee en la specialisant juste assez pour qu'elle ne couvre plus le
nouvel exemple negatif, ou au contraire en la generalisant juste assez pour qu'elle couvre
le nouvel exemple positif fourni. Ce type d'exploration, possible en particulier quand l'es-
pace des hypotheses est structure par un langage (voir chapitre 4), est generalement mieux
guide et plus ecace qu'une exploration aveugle.
De ce qui precede, il est evident que plus la structuration de l'espace des hypotheses est
forte et adaptee au probleme d'apprentissage, et plus les connaissances a priori, s'exprimant en
particulier dans les biais et dans le critere de performance, sont importantes, plus l'apprentissage
sera facilite. En contrepartie, bien sûr, cela necessitera un travail de re exion prealable d'autant
plus important.
1.6 Retour sur l'organisation de l'ouvrage

Toute etude de l'apprentissage articiel peut se situer par rapport a trois pôles :
Une approche theorique de l'apprentissage s'attachant a identier ce qu'il est possible d'ap-
10. Ce terme inclut ici des methodes plus ou moins sophistiquees y compris les approches de type evolution simulee
(algorithmes genetiques) et celles des reseaux connexionnistes.
prendre ou, plus precisement, ce qui est necessaire pour qu'un apprentissage soit possible
en principe.
Une approche d'ingenieur concerne par la realisation de methodes d'apprentissage sous
formes d'algorithmes et de programmes informatiques.
Une approche d'utilisateur interesse par les realisations des programmes d'apprentissage
et les problemes qu'ils permettent de resoudre.
Nous avons essaye de rendre compte de ces trois points de vue tout au long de l'ouvrage,
même si la progression logique impose de partir de premices plutôt conceptuelles et theoriques
pour aller vers la conception de systemes d'apprentissage et, de la, vers les applications.
Tout ouvrage general sur l'apprentissage articiel doit aronter la diculte d'avoir a presenter
une collection de methodes et d'algorithmes parfois issus de communautes scientiques dierentes,
pour des motivations diverses (metaphores biologiques, modeles de la physique, architecture co-
gnitive,...) et souvent decrits dans les articles scientiques a l'aide de notations non homogenes.
Chaque auteur doit alors faire un choix pour organiser, le moins arbitrairement possible, l'expo-
sition de toutes ces techniques. Parmi nos illustres predecesseurs, Tom Mitchell [Mit97] a choisi
d'equilibrer tout au long de l'ouvrage theorie et pratique, a l'image de son cours a l'univer-
site de Carnegie-Mellon (CMU), sans suivre de principe directeur particulier et en assumant les
dierences de notations entre les ecoles de pensee. Pat Langley [Lan96] a fait le pari audacieux de
structurer tout son ouvrage sur les langages de representation des hypotheses manipules par les
systemes apprenants, en imposant une notation uniforme et des exemples de tâches d'apprentis-
sage illustrant l'ensemble des methodes. Comme nous l'avons deja dit dans l'avant-propos, nous
avons choisi de suivre un autre principe structurant.
Nous avons decide de presenter dans une premiere partie les concepts et principes fonda-
mentaux qui permettent de comprendre et de justier la plupart des methodes d'apprentissage.
En particulier nous nous sommes attaches a l'etude des conditions sous lesquelles un apprentis-
sage est possible, ou impossible, et ceci independamment d'un algorithme particulier. Ceci nous
permet de cerner les conditions necessaires a un apprentissage, ainsi que de motiver l'utilisation
de certains principes inductifs que l'on retrouve a la base de toutes les methodes d'apprentis-
sage. Le reste de l'ouvrage est dedie aux methodes et algorithmes d'apprentissage ainsi qu'aux
realisations associees. An d'en organiser l'exposition, nous avons choisi de centrer notre atten-
tion sur le probleme de la recherche d'une ou plusieurs hypothese(s) dans l'espace d'hypotheses
H. Dans la section precedente, nous avons evoque l'in uence des connaissances prealables sur
le processus de recherche et son ecacite. Plus l'espace H se trouve dote d'une structure forte,
et plus son exploration peut être guidee, conduisant en general a une plus grande ecacite.
L'ouvrage adopte cette ligne directrice en presentant les methodes d'apprentissage en fonction
de la structuration de H, partant des espaces les mieux structures, pour aller graduellement
vers l'apprentissage dans des espaces (( minimaux )) pour lesquels il n'existe même plus d'es-
pace d'hypotheses a proprement parler, mais seulement une notion de voisinage dans l'espace
X des entrees et une mesure de performance. Les trois grandes parties presentant ces methodes
regroupent ainsi d'abord les methodes d'apprentissage par exploration suivant les directions de
recherche fournies par l'espace d'hypotheses, ensuite les methodes d'apprentissage par optimisa-
tion lorsque H ne dispose plus que d'une notion de voisinage et d'une mesure de performance,
et que sont donc utilisables essentiellement des techniques de gradient, nalement les methodes
d'apprentissage par interpolation qui sont les seules utilisables quand on ne conna^t plus d'espace
d'hypotheses a priori.
Plus la connaissance prealable est faible, et plus l'apprentissage requiert de donnees pour
aboutir. On ne peut pas gagner sur tous les tableaux. En contrepartie, les methodes developpees
pour les tâches dans lesquelles on dispose de peu d'informations prealables sont aussi celles
qui sont d'usage le plus general, s'adaptant a tous les contextes. C'est pourquoi ces methodes
(par exemple les reseaux connexionnistes ou les algorithmes genetiques) sont les plus populaires,
prêtes a être essayees sans grands eorts de re exion a priori. Nous avons voulu souligner que
ce calcul est parfois mauvais, et qu'il est souvent rentable de chercher a tirer parti de toutes
les connaissances disponibles. Par ailleurs, il nous semble aussi que les tâches d'apprentissage
essentiellement numeriques qui ont fait ores ces dernieres annees vont probablement bientôt
ceder le pas a des tâches d'apprentissage { comme la recherche de documents sur le reseau,
leur analyse automatique, etc. { requierant des espaces d'hypotheses beaucoup plus structures
et prenant en compte une enorme quantite de connaissances. C'est pourquoi nous avons reserve
une place importante a ces methodes, malgre leur usage encore modere dans les applications
actuelles.
Notes pour aller plus loin

L'apprentissage articiel est une discipline jeune, a l'instar de l'intelligence articielle et de
l'informatique, mais elle a deja une histoire. Nous la brossons ici a grands traits, croyant qu'il
est toujours interessant de conna^tre le passe d'une discipline, et que cela peut reveler, par les
tensions mises a jour, les problemes profonds, les grandes options, les ecarts necessaires.
Il serait bien sûr interessant d'examiner l'etude de l'apprentissage articiel dans une pers-
pective plus large, tant historiquement, en remontant l'histoire de la pensee, que par la prise
en compte des parrainages exerces par d'autres disciplines: philosophie, psychologie, biologie,
logique, mathematique, etc. Cette etude qui reste a faire depasse cependant de beaucoup le cadre
de notre ouvrage et nous nous limiterons a quelques jalons.
Des principes preliminaires theoriques de l'apprentissage sont poses des les premiers tra-
vaux en statistique dans les annees 1920 et 1930, cherchant a determiner comment inferer un
modele a partir de donnees, mais surtout comment valider une hypothese par rapport a un
jeu de donnees. Fisher en particulier etudie les proprietes des modeles lineaires et comment ils
peuvent être inferes a partir d'un echantillon de donnees. A la même periode, l'informatique
na^t avec les travaux de Godel, Church puis surtout Turing en 1936, et les premieres simula-
tions informatiques deviennent possibles apres la seconde guerre mondiale. A côte des re exions
theoriques et des debats conceptuels sur la cybernetique et le cognitivisme, dont nous avons parle
dans ce chapitre, des pionniers essaient de programmer des machines pour realiser des tâches
intelligentes, integrant souvent de l'apprentissage. C'est particulierement le cas des premieres
simulations de tortues ou souris cybernetiques que l'on place dans des labyrinthes en esperant
les voir apprendre a s'en sortir de plus en plus vite. De son côte, Samuel chez IBM, dans les
annees 1959-1962, developpe un programme pour jouer au jeu de dames americain qui apprend
une fonction d'evaluation des positions lui permettant de devenir rapidement un tres bon joueur.
Dans les annees 1960, l'apprentissage est marque par deux courants. D'une part, un premier
connexionnisme, qui sous la houlette de Rosenblatt pere du perceptron, voit se developper des
petits reseaux de neurones articiels testes sur des tâches d'apprentissage supervise de classes
d'objets. D'autre part, des outils conceptuels sur la reconnaissance des formes se developpent.
A la n des annees 1960, la publication du livre de Minsky et Papert ([MP69]) qui enonce
les limites des perceptrons a pour eet d'arrêter pour une quinzaine d'annees presque toutes
les recherches dans ce domaine. De maniere concomittante, l'accent mis en intelligence arti-
cielle, dans les annees 1970, sur les connaissances, leur representation et l'utilisation de regles
d'inference sophistiquees (periode des systemes experts) encourage les travaux sur l'apprentissage
dans des systemes bases sur des representations des connaissances structurees mettant en jeu
Perceptron
Expériences :
tortues cybernétiques
Reconnaissance des Formes :
Théorie de la décision bayésienne
(F ant
)
er
iq e
)
or anc g
m ed
ue
ire in
ish
l'i a iss rin

é a ri m
Région d'erreur
(n Tu
P(x|C ).P(C )
at
1 1
lin isc
D
P(x|C ).P(C )
2 2
nf
x
R R
1 2
20s 1936 50s 60s
Fig. 1.13 { La premiere periode de l'apprentissage articiel.
des regles d'inference complexes comme la generalisation, l'analogie, etc. C'est alors le triomphe
de systemes impressionnants realisant des tâches d'apprentissage speciques en simulant plus
ou moins des strategies mises en jeu dans l'apprentissage humain. On retiendra en particulier
le systeme Arch de Winston en 1970 (voir chapitre 2) qui apprend a reconna^tre des arches
dans un monde de blocs a partir d'exemples et de contre-exemples ; le systeme AM de Lenat en
1976, qui decouvre des conjectures dans le domaine de l'arithmetique par l'utilisation d'un jeu
d'heuristiques elles-mêmes apprises dans le systeme Eurisko du même auteur en 1982, ou bien
encore le systeme Meta-Dendral de Mitchell qui apprend des regles dans un systeme expert
dedie a l'identication de molecules chimiques.
C'est aussi une periode durant laquelle le dialogue est facile et fecond entre les psychologues
et les praticiens de l'apprentissage articiel, les hypotheses portant dans les deux communautes
sur des concepts comme les memoires a court terme et a long terme, le type procedural ou
declaratif des connaissances, etc. D'ou aussi des systemes comme ACT de Anderson testant des
hypotheses generales sur l'apprentissage de concepts mathematiques dans l'education.
Cependant, aussi spectaculaires soient-ils, ces systemes presentent des faiblesses qui viennent
de leur complexite. La premiere, la moins determinante mais neammoins in uente, est qu'ils sont
a la limite de ce qui est realisable dans le cadre d'un travail de these, c'est-a-dire le quantum d'ac-
tion dans l'institution scientique. La deuxieme est que leur realisation implique necessairement
un grand nombre de choix, petits et grands, souvent implicites, et qui de ce fait ne permettent
pas une replication aisee des experiences, et surtout jettent le doute sur la portee generale et
generique des principes mis en avant. C'est pourquoi les annees 1980 ont vu progressivement se
tarir les travaux portant sur de telles simulations a quelques brillantes exceptions pres comme
les systemes Act ou Soar.
De plus, ces annees ont vu une reemergence tres puissante du connexionnisme en 1985, avec
en particulier la decouverte d'un nouvel algorithme d'apprentissage par descente de gradient pour
les perceptrons multicouche (voir chapitre 10). Cela a profondement modie l'etude de l'appren-
tissage articiel en ouvrant grand la porte a tous les concepts et techniques mathematiques
portant sur l'optimisation et sur les proprietes de convergence. Parallelement a l'intrusion des
mathematiques continues, d'autres mathematiciens se sont engoures (derriere Valiant en 1984
[Val84a]) dans la breche ouverte par la notion d'espace des versions due a Mitchell (voir cha-
pitre 4) et qui en gros permet d'envisager l'apprentissage comme la recherche dans un espace
Apprentissage artificiel :
une explosion
Systèmes dédiés à une tâche : Induction supervisée
inspiration psychologique
Arbres de décision
Algorithmes génétiques
Explanation-Based Learning
Raisonnement par cas
L
RA
D
EN
A
-D 2ème connexionnisme
CH
ET
AR
M
1970 1976 1978
70s 80s
Fig. 1.14 { La deuxieme periode de l'apprentissage articiel.
d'hypotheses deni a priori d'une hypothese coherente avec les donnees. D'un seul coup l'appren-
tissage etait vu non plus comme la recherche d'algorithmes simulant une tâche d'apprentissage,
mais comme un processus d'elimination d'hypotheses ne satisfaisant pas un critere d'optimi-
sation. Il s'agissait alors dans ce cadre de chercher comment un echantillon de donnees tire
aleatoirement pouvait permettre d'identier une bonne hypothese dans un espace d'hypotheses
donne. C'etait extrêment deroutant, et comme le langage utilise dans ces recherches etait assez
eloigne de celui des praticiens de l'apprentissage articiel, ceux-ci continuerent a developper
des algorithmes plus simples mais plus generaux que ceux de la decennie precedente : arbres de
decision (chapitre 11), algorithmes genetiques (chapitre 8), induction de programmes logiques
(chapitre 5), etc.
Ce n'est que dans les annees 1990, et surtout apres 1995 et la parution d'un petit livre de
Vapnik ([Vap95]), que la theorie statistique de l'apprentissage (chapitres 2 et 17) a veritablement
in uence l'apprentissage articiel en donnant un cadre theorique solide a des interrogations et
a des constatations empiriques faites dans la pratique de l'apprentissage articiel.
Le developpement actuel de la discipline est domine a la fois par un eort theorique vigoureux
dans les directions ouvertes par Vapnik et les theoriciens de l'approche statistique, et par un
redeploiement vers la mise a l'epreuve des techniques developpees sur de grandes applications
a nalite economique, comme la fouille de donnees, ou a nalite socio-economiques, comme la
genomique. Il est indeniable que pour le moment l'apprentissage est ressenti comme necessaire
dans de tres nombreux champs et que nous vivons un âge d'or pour cette discipline. Cela ne
doit cependant pas faire oublier les immenses territoires laisses en friche (voir chapitre 17), ni
la necessite de renouer le dialogue avec les psychologues, les didacticiens, et plus generalement
tous ceux qui travaillent sur l'apprentissage sous une forme ou une autre.
Les lecteurs interesses par des articles generaux sur l'apprentissage peuvent se reporter a
des articles parus dans des magazines scientiques, dont : plusieurs numeros hors serie de la
revue Science & Vie : Le cerveau et l'intelligence dec. 1991, A quoi sert le cerveau? juin 1996,
Le cerveau et la memoire mars 1998, Les performances de la memoire humaine sept. 2000 ; des
numeros hors serie de la revue La Recherche : L'intelligence articielle oct. 1985, La memoire
juil. 1994, L'intelligence dec. 1998, La memoire et l'oubli juil. 2001 ; un numero hors serie de la
Apprentissage artificiel :
une théorisation
et une mise à l'épreuve
Nouvelles méthodes :
k
ni
Data mining
ap
- SVMs
V
de
- Boosting Text mining
rie
éo
Th
1995
90s 00s
Fig. 1.15 { La troisieme periode de l'apprentissage articiel.
revue Pour la Science : La memoire : le jardin de la pensee avril 2001.

Une large litterature existe sur les fondements philosophiques de l'intelligence articielle ou
sur son histoire, dont une part non negligeable provient de travaux francais. Nous citons ici
des ouvrages faciles a se procurer, mais nous encourageons le lecteur a faire des recherches plus
amples (voir [And92, BKL00, Cre97, Dup94, Eng96, Pin97]).
Voici une liste non exhaustive de revues specialisees sur l'apprentissage articiel :
Machine Learning journal
Journal of Machine Learning Research (disponible gratuitement sur
http://www.ai.mit.edu/projects/jmlr/)
Journal of Articial Intelligence Research (JAIR) accessible gratuitement sur Internet
(http://www.ai.mit.edu/projects/jmlr/)
Data Mining and Knowledge Discovery journal
Transactions on Knowledge and Data Engineering
Voici aussi une liste de conferences completement dediees a l'apprentissage articiel. Beau-
coup d'autres dans le domaine de l'intelligence articielle, de la reconnaissance des formes et de
la fouille de donnees sont aussi pertinentes :
International Conference on Machine Learning (ICML) : conference annuelle internationale
(mais dominee par les Americains).
European Conference on Machine Learning (ECML) : conference annuelle europeenne (mais
internationale).
Conference francophone d'Apprentissage (CAP) : conference annuelle francophone qui a
pris la suite des Journees Francaises d'Apprentissage (JFA) depuis 1999.
Resume
Il existe plusieurs types ou problemes d'apprentissage qui sont denis par un certain
nombre de caracteristiques dont l'espace des donnees, l'espace des hypotheses et
le protocole regissant les interractions de l'apprenant avec son environnement. On
distingue particulierement l'apprentissage supervise pour lequel un oracle fournit les
reponses desirees, l'apprentissage non supervise et l'apprentissage par renforcement.
L'etude de l'apprentissage tourne en particulier autour de deux questions :
L'apprentissage est-il possible pour un probleme et des donnees d'apprentissage
particuliers?
L'apprentissage est-il realisable ecacement?
Les reponses a ces deux questions dependent en grande partie de l'espace des hy-
potheses :
Pour que l'apprentissage soit possible, il est necessaire qu'il existe un biais
d'apprentissage.
L'ecacite de l'apprentissage depend de la force de ce biais et de la structu-
ration de l'espace des hypotheses.
Chapitre 2
Premiere approche theorique de
l'induction
Regardons passer un vol de cygnes en le indienne. Pouvons-nous predire quel sera

le prochain oiseau a passer? Encore un cygne? Une oie? Le vol va-t-il s'arrêter?
Dans combien de temps passera un autre vol? Que ce soit a l'aide d'experiences de
pensee impliquant des volatiles ou plus classiquement des emeraudes (vertes jusqu'ici,
mais bleues peut-être a partir de demain 1 ), les philosophes ont cherche a comprendre
l'induction, ce qui rend possible le passage de l'observation d'evenements passes a la
prediction.
A ses debuts, l'apprentissage articiel a eectue de l'induction comme M. Jourdain de
la prose, sans s'arrêter a tous les problemes profonds lies a l'induction comme forme
de raisonnement. Apres la realisation de quelques systemes pionniers et de quelques
techniques impressionnantes, mais diciles a ma^triser, l'etude de l'induction est
devenue petit a petit plus rigoureuse.
En apprentissage articiel, l'induction met en jeu d'abord un probleme, donc des
regles du jeu et une mesure de performance, ensuite un principe inductif qui specie
ce qu'est l'hypothese ideale etant donne un probleme, et nalement un algorithme qui
realise au mieux le principe inductif, c'est-a-dire qui cherche eectivement l'optimum
deni par le principe inductif. Ce chapitre est concerne par les deux premiers points.
Une fois le probleme d'apprentissage pose, plusieurs principes inductifs sont imagi-
nables : choisir l'hypothese qui s'accorde le mieux avec les donnees observees jusque-
la, ou bien choisir l'hypothese permettant la description la plus economique de ces
donnees, ou d'autres encore. L'etude theorique, relativement recente, des conditions
de validite de ces grands principes a conduit a la denition de principes inductifs
plus sophistiques qui sont a la base de nouvelles methodes d'apprentissage.
1. Il s'agit d'une metaphore classique, initialement introduite par le philosophe Goodman, pour discuter de l'induc-
tion. Voir le chapitre de J.G Ganascia dans [DKBM00].
36
out le monde sait distinguer un corbeau d'un canard. La couleur, le cri, la vitesse du
T vol, la silhouette, beaucoup d'attributs les separent. Toute personne qui observe l'un
de ces deux oiseaux peut lui donner son nom pratiquement sans erreur. Pourtant, cet
observateur n'a certainement pas deja vu tous les corbeaux ni tous les canards. Mais
a partir d'observations en nombre limite, il a appris a les distinguer, c'est-a-dire a trouver des
regularites permettant leur identication. Cette forme d'apprentissage, tirant des lois generales
a partir d'observations particulieres, s'appelle induction ou generalisation.
Il y a dans le paragraphe ci-dessus un autre exemple d'induction : il est ecrit (( tout le monde
sait ... )), ce qui est une generalisation (exageree). Il faudrait d'abord xer le cadre ou cette loi
est operatoire, la temperer par des contraintes geographiques ((( En France, tout le monde... ))),
zoologiques (il y a en France beaucoup d'especes de canards et plusieurs de corbeaux), etc. Mais
même dans un cadre plus precis, cette armation ne fait que generaliser des observations. Elle
signie en realite (( presque tous les gens que j'ai observes faire cet exercice sont capables sous
certaines conditions de distinguer un corbeau d'un canard )). D'ou la formulation raccourcie, qui
enonce une loi extraite d'observations.
Induire : expliquer, predire, faire simple
Si l'on se place d'un point de vue philosophique, l'induction est liee a plusieurs notions :
La generalisation, c'est-a-dire le passage d'observations particulieres a des classes d'evene-
ments ou a des lois s'appuie souvent sur une recherche d'explications. En eet, classique-
ment, une explication scientique est denie comme une assignation causale. On parvient
a expliquer un phenomene si on l'a relie de facon univoque a des antecedents a travers
une ou plusieurs loi(s) de la nature. Ainsi un corbeau est dierent d'un canard parce que
la theorie de l'evolution des especes selon un certain schema idealement deductif dicte
que, dans nos regions temperees, en cette periode de l'evolution, peut coexister un cer-
tain nombre d'especes presentant certaines caracteristiques speciques. Cela determine
des classes d'animaux possibles, dont celles que l'on nomme corbeaux et canards. Si tout
va bien, cette theorie va expliquer pourquoi les volatiles peuvent exister dans certaines
classes de poids, presenter certaines couleurs, etc. A partir de la, il devient possible de
savoir comment distinguer des classes d'oiseaux.
Une explication, qui consiste a remonter d'un phenomene connu a ses causes inconnues,
est valide quand elle peut être retournee en un outil de prediction permettant d'aller de
causes connues a des phenomenes encore inconnus. L'induction est donc egalement liee a
la capacite de prediction. Cette prediction n'est peut-être pas vraie a 100%, mais elle est
fondee et generalement valide. Il est extrêmement rare de rencontrer en France des canards
noirs, et cela pourrait s'expliquer par la theorie de l'evolution.
Finalement, a côte de leur pouvoir predictif, les descriptions et les explications sont aussi
jugees a l'aune de leur simplicite, de leur elegance et de leur fecondite par rapport a l'en-
semble des connaissances. La theorie de l'evolution est-elle bien inseree dans les connais-
sances generales? Est-elle performante dans d'autres contextes? Cette theorie permet-elle
de predire que l'on peut distinguer les canards des corbeaux a partir simplement de leur
couleur ? Est-il besoin pour les distinguer de mesurer la longueur des plumes de leurs
ailes 2 ?
L'etude de l'induction est donc liee a celle des concepts d'explication, de prediction et d'economie
de description. Nous trouverons la trace de ces liens tout au long de l'ouvrage.
2. Cet exemple n'est pas pris au hasard : mis a part leur chant, le pouillot veloce (Phylloscopus Collybita) et le
pouillot tis (Phyloscopus Trochibus) ne se distinguent pratiquement que de cette maniere.
Chapitre 2 Premiere approche theorique de l'induction 37
L'induction articielle
Le point de vue decrit ci-dessus presuppose chez l'agent cognitif l'existence de tout un en-
semble de connaissances sophistiquees. Ce genre de connaissances complexes (comme la theorie
de l'evolution) ne se trouve pas encore chez les agents cognitifs articiels. Du point de vue de
l'ingenieur, le probleme est d'inferer par des moyens automatiques une bonne regle de decision a
partir d'un echantillon restreint de donnees sur le phenomene etudie. Cette regle de decision peut
avoir deux buts, non contradictoires : soit permettre uniquement la prediction sur une nouvelle
observation (l'oiseau que je vois maintenant, est-ce un canard ou un corbeau?), soit correspondre
a la decouverte d'une theorie generale du phenomene qui a la fois l'explique et permet de predire
ce qui se passera dans chaque cas particulier possible (il sut de considerer la couleur pour
savoir a quel type d'oiseau on a aaire : corbeau ou canard).
D'ou les questions fondamentales suivantes :
Qu'est-ce qui autorise a generaliser a partir d'un echantillon limite de donnees?

Comment realiser cette extrapolation? Suivant quel principe? Est-ce qu'une bonne expli-
cation des donnees disponibles est la promesse d'une bonne capacite de prediction?
Quelles garanties peut-on avoir sur les performances d'une extrapolation?
Ce chapitre a pour objectif de presenter les outils conceptuels et theoriques qui ont ete
developpes pour repondre a ces questions.
2.1 Deux exemples d'induction

2.1.1 Le systeme Arch
Le travail realise par Winston pour sa these en 1970 [Win70] a servi de precurseur a de
nombreuses methodes d'apprentissage. Le but est d'apprendre des descriptions de concepts a
partir d'exemples et de contre-exemples. Le type de concepts etudies par Winston est celui
des arches dans un monde de blocs (voir gure 2.1). Les scenes visuelles correspondantes sont
decrites par des reseaux semantiques tels que celui de la gure 2.2, de même que le concept
a apprendre. Ces reseaux permettent a la fois la comparaison directe avec les descriptions des
scenes supposees fournies par le systeme visuel et la representation de concepts relationnels. Le
reseau de la gure 2.2 correspond a peu pres aux expressions du calcul des predicats suivantes :
PARTIE DE(arche,a) ^ PARTIE DE(arche,b) ^ PARTIE DE(arche,c)
^ A LA PROPRIETE(a,allonge) ^ SORTE DE(a,objet) ^ DOIT ETRE SUPPORTE PAR(a,b)
^ DOIT ETRE SUPPORTE PAR(a,c) ^ NE DOIT PAS TOUCHER(b,c) ^ NE DOIT PAS TOUCHER(c,b)
^ A GAUCHE DE(b,c) ^ A DROITE DE(c,b) ^ A LA PROPRIETE(b,debout)
^ A LA PROPRIETE(c,debout) ^ SORTE DE(b,brique) ^ SORTE DE(c,brique)
avec des faits exprimant une connaissance sur le monde des blocs tels que :
SORTE DE(brique,objet) ^ SORTE DE(debout,propri ete)
et des faits exprimant des relations entre predicats, tels que :
E(DOIT TOUCHER, NE DOIT PAS TOUCHER)
OPPOS
FORME OBLIGATOIRE(EST SUPPORTE PAR, DOIT ^ E PAR)
ETRE SUPPORT
De cette maniere, la representation choisie permet d'exprimer explicitement des conditions

necessaires. Cela permet d'exprimer en une seule structure des conditions necessaires et su-
santes.
(a) (b)
(c) (d)
Fig. 2.1 { Dans un monde de blocs, le systeme Arch doit apprendre a distinguer les construc-
tions correspondant a des arches (a et c) de celles n'y correspondant pas (b et d).
arche
Partie-de
allongé a objet
a Doit-être-
A-la-propriété supporté-par
b c Ne-doit-pas-
toucher
b A-droite-de c
A-gauche-de
A-la-propriété Sorte-de
Sorte-de
debout A-la-propriété
brique
Fig. 2.2 { Un exemple d'arche et sa representation.

L'algorithme d'apprentissage de Winston prend en compte un par un, sequentiellement, les
exemples d'apprentissage (exemples ou contre-exemples du concept a apprendre) et modie au
fur et a mesure son hypothese courante pour qu'elle couvre, ou encore accepte, le nouvel exemple
s'il est positif ou, au contraire, qu'elle ne le couvre pas, le rejette, s'il est negatif. L'idee sous-
jacente est que l'hypothese va ainsi converger vers une hypothese correspondant au concept cible
a apprendre.
L'algorithme est schematiquement le suivant :
Si le nouvel exemple est positif, il faut generaliser l'hypothese courante pour qu'elle couvre
le nouvel exemple si ce n'est pas deja le cas. L'algorithme Arch generalise un reseau
semantique soit en eliminant des nuds ou des liens, soit en remplacant un nud (e.g.
cube) par un concept plus g eneral (e.g. brique). Dans certains cas, l'algorithme doit
choisir entre ces deux techniques de generalisation. Il essaye d'abord le choix le moins
radical (remplacement de nud) et place l'autre choix sur une pile de possibilites en cas
de retour-arriere.
Si le nouvel exemple est negatif, une condition necessaire (representee par un lien doit)
est ajoutee au reseau semantique representant l'hypothese courante. S'il y a plusieurs
dierences entre l'exemple negatif et l'hypothese courante, l'algorithme a recours a des
regles ad hoc pour choisir une dierence a (( blâmer )) expliquant pourquoi l'exemple est
negatif. Celle-ci est alors convertie en une condition necessaire. Les autres dierences sont
ignorees, mais mises sur une pile pour le cas de retour-arriere.
Cet algorithme suppose qu'il soit aise de comparer directement l'hypothese et les exemples
d'apprentissage. Ici, le formalisme de representation est le même et l'on parle alors d'astuce
de representation unique (single-representation trick). Par ailleurs, an d'eviter l'explosion du
nombre de choix a faire par l'algorithme, on suppose que les exemples sont fournis dans un
ordre pedagogique, de telle maniere en particulier que les exemples negatifs ne presentent qu'une
seule dierence avec l'hypothese courante. Ce genre d'exemples est appele nuance critique (near-
miss). Cela necessite bien sûr que l'enseignant connaisse l'hypothese de l'apprenant a chaque
instant. Finalement, il faut remarquer que cet algorithme d'apprentissage est representatif de
deux presupposes communs a quasiment tous les travaux en intelligence articielle et en psy-
chologie cognitive dans les annees 1970.
Le premier est que le concept cible est suppose provenir d'un professeur et peut donc être
parfaitement appris par un apprenant, cense partager le même appareil cognitif et la même
representation des connaissances.
Le second est que la meilleure hypothese est celle qui (( colle )) parfaitement aux donnees
d'apprentissage, c'est-a-dire qui couvre correctement tous les exemples positifs et exclut
tous les exemples negatifs.
Nous aurons l'occasion de discuter en profondeur ces deux presupposes dans la suite de ce
chapitre.
Le systeme Arch est un exemple de systeme d'apprentissage inductif symbolique, c'est-a-dire
tirant parti de la representation des connaissances et des relations entre concepts, y compris de
generalite. Nous allons voir maintenant, avec le perceptron, un exemple d'apprentissage non-
symbolique ou numerique.
2.1.2 Le perceptron
Le probleme auquel s'attaque l'algorithme du perceptron developpe par Rosenblatt ([Ros62])
est le suivant : supposons que nous ayons une sequence d'observations x1 ; x2 ; : : : ; xm , chacune
x1=1
x1

1 si ∑ wi .xi > 0
y = 
w0
x2 w1  i = 0,d
0 sinon
w2
wd
xd a = ∑ w .x i i
i =0 , d
Fig. 2.3 { Le schema d'un perceptron. A gauche sont gurees les synapses, dont on suppose
que le rôle est de ponderer l'entree correspondante. A droite le signal de sortie est
vehicule par l'axone. Le noyau cellulaire eectue un traitement sur le vecteur d'entree
x dont chaque composante xi est ponderee par le poids correspondant wi ,
Pd synaptique
par exemple en appliquant une fonction seuil sign i=0 wi xi .
d'entre elles etant aectee a une classe ! 2 f!1 ; !2 g. Par exemple, cela pourrait être des des-
criptions de volatiles avec comme classe oie ou cygne. Nous voulons trouver les parametres d'un
automate tel que celui de la gure 2.3 permettant de predire la classe d'une nouvelle observation.
Cet automate est en fait l'ancêtre des reseaux connexionnistes 3. En partant de l'echantillon
d'apprentissage, il s'agit donc de trouver un vecteur de poids w et un seuil w0 tel que :
( (
wT x + w0 0 =) x 2 !1
<0 !2
soit encore :
( (
wT x 0 =) x 2 !1 (2.1)
<0 !2
en considerant le vecteur de description des observations augmente xT = (1; x1 ; x2 ; :::; xd ) et le
vecteur poids w augmente du seuil w0 : wT = (w0 ; w1 ; w2 ; :::; wd ).
Pour ce faire, une methode inductive s'appuyant sur l'echantillon d'apprentissage consiste a
chercher un vecteur w veriant les equations ci-dessus pour tous les exemples d'apprentissage,
ou au moins pour le plus grand nombre d'entre eux.
En associant a la classe !1 la valeur u=1 et a la classe !2 la valeur u=-1, on cherche un
vecteur de poids w veriant :
wT x : u > 0 8(xi; ui ) 2 S (2.2)
ou S est l'echantillon d'apprentissage.
3. Ces reseaux sont souvent egalement appeles (( reseaux de neurones )) (neural networks) dans la litterature. Ceci
parce qu'ils sont issus de modelisations de neurones faites dans les annees quarante et cinquante. Nous trouvons
cependant ce terme abusif et trompeur et nous utiliserons dans cet ouvrage le terme de (( reseaux connexionnistes ))
qui souligne egalement que les parametres du systeme sont les poids des connexions.
Comment apprendre un tel vecteur de poids? Le premier prerequis est de pouvoir mesurer
la performance d'un perceptron avec un certain vecteur poids a l'instant t : w(t). L'idee la
plus immediate est de compter le nombre d'erreurs commises sur l'echantillon d'apprentissage,
avec comme objectif de le reduire au maximum. On parle dans ce cas d'erreur de classication.
Une autre mesure de performance liee a la precedente consiste a calculer un taux d'erreur en
classication qui est une moyenne de l'erreur en classication rapportee au nombre m d'exemples
d'apprentissage. L'inconvenient de ces deux mesures est qu'elles sont discontinues, changeant
brusquement pour chaque erreur de classication en plus ou en moins. L'equation 2.2 ci-dessus
suggere une autre mesure de performance, connue sous le nom de critere du perceptron :
X
REmp(w) = ; wT xj : uj (2.3)
xj 2M
ou M est l'ensemble des exemples d'apprentissage mal classes par le perceptron de vecteur
poids w. Cette mesure d'erreur, que nous appellerons plus tard risque empirique, est la somme
de termes positifs, est n'est egale a zero que si tous les exemples d'apprentissage sont bien
classes. Cette mesure est proportionnelle a la somme des distances des exemples mal classes a la
frontiere de decision decrite par l'equation 2.1. Il s'agit donc d'une fonction continue et lineaire
par morceaux (et donc non derivable en un nombre de points egal au nombre d'exemples mal
classes). Une fois choisie une mesure de performance, l'un des algorithmes d'apprentissage les
plus simples consiste a ajuster le vecteur de poids w par une procedure de descente de gradient
an d'optimiser la mesure de performance (2.3). On obtient alors une sequence de vecteurs poids
w(t) obeissant a l'equation :
@R (w ( t )

w(t + 1) = w(t) ; @ w(t) Emp (2.4)
w(t)
ou est un reel positif de petite valeur que l'on appelle pas d'apprentissage.
Cette procedure d'ajustement doit être repetee en presentant chaque exemple plusieurs fois.
Si cette procedure de descente de gradient est appliquee au critere du perceptron, on obtient
l'equation suivante :
w(t + 1) = w(t) ; xi ui (2.5)
Celle-ci, utilisee avec un critere d'arrêt, denit un algorithme d'apprentissage tres simple :
1. Passer en revue chaque exemple dans l'echantillon d'apprentissage et tester la reponse y
produite par le perceptron par rapport a la reponse desiree u.
2. Si les deux reponses concident { l'exemple est correctement classe {, ne rien faire.
3. Sinon, si l'exemple est incorrectement classe en !1 , ajouter le vecteur x au vecteur poids
w, s'il est incorrectement classe en !2, retirer x au vecteur poids w.
Il est alors facile de montrer que l'erreur ne peut que decro^tre au sens large et même qu'il
y a convergence en un nombre ni de presentations d'exemples (voir le chapitre 9 pour une
description plus complete du perceptron).
En resume, ces deux exemples de systemes tres dierents ont montre comment il etait possible
d'apprendre des regles de decision a partir d'exemples etiquetes. Nous avons vu comment un
systeme peut decider de la reponse a faire en presence d'une nouvelle observation, comment
on peut mesurer la qualite des decisions prises, quelle forme peut prendre une procedure de
x1, x 2, ..., x m
Environnement X : "Oracle"
distribution de prob . DX
S m = (x 1,u1), (x 2,u2), ..., (xm,um )
Apprenant : h(x, α)
x1, x 2, ..., x m y1, y2, ..., ym
Fig. 2.4 { Le scenario fondamental de l'induction a partir d'un echantillon de donnees tire
aleatoirement suivant une distribution xe.
modication de la regle de decision, et enn, quel type de garantie de convergence on peut

chercher sur une procedure d'apprentissage. Nous allons maintenant reexaminer tous ces points
d'une maniere plus generale.
2.2 Approche de l'induction

Quels sont les facteurs qui entrent en jeu dans l'apprentissage et determinent le resultat nal?
Comment denir un cadre formel permettant de poser le probleme de l'induction et d'analyser
les methodes d'induction? Cette section pose les bases d'une etude plus formelle de l'induction.
2.2.1 Le compromis biais-variance
Le compromis biais-variance exprime l'eet de dierents facteurs possibles sur l'erreur nale
entre l'hypothese choisie par l'apprenant et celle qu'il aurait dû choisir, la fonction cible ideale.
Nous en donnons ici une description qualitative visant a introduire et a illustrer un certain
nombre de concepts utiles pour tout ce chapitre.
Suivant le scenario schematise dans la gure 2.4, l'apprenant recoit d'une part un echantillon
de donnees fx1 ; :::; xi ; :::; xm g compose d'objets ou de formes xi 2 X , ou X est l'espace de
representation des entrees. En l'absence d'information supplementaire sur leur provenance, et
pour des raisons de simplicite de modelisation et d'analyse mathematique, on supposera que ces
objets sont tires aleatoirement et independamment les uns des autres suivant une distribution de
probabilites DX . C'est ce que l'on appelle l'hypothese de tirages independants et identiquement
distribues (i.i.d. : independently and identically distributed). Attachee a chacune de ces formes xi ,
l'apprenant recoit d'autre part une etiquette ou supervision ui produite suivant une dependance
fonctionnelle entre X et U .
Nous notons S = fz 1 = (x1 ; u1 ); :::; z m = (xm ; um )g l'echantillon d'apprentissage constitue
ici d'exemples supervises (ou bien Sm lorsqu'il sera necessaire de preciser leur nombre). Pour
simplier, nous supposerons que la dependance fonctionnelle entre une entree xi et son etiquette
ui prend la forme d'une fonction f appartenant a une famille de fonctions F . Nous n'y perdrons
pas en generalite si nous supposons egalement qu'il peut y avoir des informations d'etiquetage
erronees, sous la forme d'un bruit, c'est-a-dire d'un ecart mesurable entre l'etiquette proposee
et la veritable etiquette selon f . L'apprenant cherche a trouver une fonction hypothese h, dans
l'espace des fonctions H, aussi (( proche )) que possible de f , la fonction cible. Nous preciserons
plus tard la notion de proximite utilisee pour evaluer la distance de f a h.
La gure 2.5 illustre les dierentes sources d'erreur entre la fonction cible f et la fonction
hypothese h. Nous appelons erreur totale l'erreur resultant de la conjonction de ces dierentes
erreurs entre f et h. Detaillons-les.
La premiere source d'erreur provient du fait suivant : rien ne permet a priori d'assurer
l'egalite entre l'espace des fonctions cible F de la Nature et l'espace des fonctions hypothese
H realisables par l'apprenant. De ce fait, même si l'apprenant fournit une hypothese h?
optimale (au sens de la mesure de la proximite evoquee plus haut), h? est forcement
prise dans H et peut donc être dierente de la fonction cible f . Il s'agit la d'une erreur
d'approximation souvent appelee biais inductif (ou simplement biais 4 ) due a la dierence
entre F et H.
Ensuite, l'apprenant ne fournit en general pas h? , l'hypothese optimale dans H, mais
calcule une hypothese h^ sur la base de l'echantillon d'apprentissage S . En fonction de
cet echantillon, l'hypothese h^ apprise pourra varier a l'interieur d'un ensemble de fonc-
tions que nous noterons fh^ gS pour souligner la dependance de chacun de ses elements sur
l'echantillon aleatoire S . La distance entre h? et l'hypothese estimee h^ , qui depend des
particularitees de S , est l'erreur d'estimation. On peut montrer formellement qu'elle est
une variance liee a la sensibilite du calcul de l'hypothese h^ en fonction de l'echantillon S .
Plus l'espace d'hypotheses H est riche et plus, en general, cette variance est importante.
Finalement, intervient le bruit sur l'etiquetage : a cause d'erreurs de transmission, l'etiquette
ui associee a xi peut être inexacte vis-a-vis de f . De ce fait, l'apprenant recoit un
echantillon de donnees relatif a la fonction bruitee fb = f + bruit. Il s'agit la d'une erreur
intrinseque qui complique generalement la recherche de l'hypothese optimale h? .
Erreur d'estimation
(Variance)
H
Erreur d'approximation
{hS}S (Biais)
h×
h×*
F
Erreur totale
×
f
Erreur intrinsèque ×
fb = f + bruit
Fig. 2.5 { Les dierents types d'erreurs intervenant dans l'estimation d'une fonction cible a
partir d'un echantillon d'apprentissage. Avec un espace d'hypotheses plus restreint,
comme H0 , on peut reduire la variance, mais generalement au prix d'une plus grande
erreur d'approximation.
4. Nous reviendrons souvent sur la notion de biais en apprentissage articiel. Elle est de fait plus generale que le
biais inductif qui exprime les limites de l'espace des hypotheses a decrire le monde represente dans X .
P(femme|taille) P(homme|taille)
s Taille
Fig. 2.6 { Soient les deux courbes de probabilite des femmes et des hom mes en fonction de
la taille. On peut chercher a determiner si un individu donne appartient a l'une
des classes ou a l'autre en comparant la taille mesuree a un seuil s determine

experimentalement a l'aide d'un echantillon de personnes des deux sexes.
E tant donnees ces circonstances, le compromis biais-variance se denit de la facon suivante :
pour reduire le biais dû a la mauvaise adequation de H par rapport a F , il faut accro^tre
la richesse de H. Malheureusement, cet enrichissement de H va generalement de pair avec une
augmentation de la variance, c'est-a-dire de l'erreur de la recherche de l'element optimal dans H.
De ce fait, l'erreur totale, qui est la somme de l'erreur d'approximation et de l'erreur d'estimation,
ne peut être signicativement diminuee.
Le compromis biais-variance devrait donc plutôt s'appeler compromis erreur d'approxima-
tion/erreur d'estimation. Mais l'important est qu'il s'agit bien de faire un compromis, puisqu'on
joue sur une somme de termes qui varient ensemble en sens contraire. En revanche le bruit, ou
erreur intrinseque, ne peut qu'aggraver les choses en augmentant. L'ideal serait d'avoir un bruit
nul (mais comment s'en assurer?) et d'avoir un espace d'hypotheses H restreint pour reduire
la variance, mais en même temps bien informe, c'est-a-dire contenant seulement des fonctions
proches de la fonction cible, ce qui reviendrait evidemment a disposer d'une connaissance a
priori sur la Nature.
Exemple 3 (Exemple de compromis biais-variance)
A titre d'illustration, revenons sur l'exemple du paragraphe 2.1.2. L'espace H des hypotheses
possibles y est celui des hyperplans. Soit alors le probleme suivant : les (( objets )) decrits sont des
êtres humains et l'espace de representation est constitue d'un seul attribut : la taille. Le probleme
d'apprentissage consiste a discriminer les hommes des femmes. Dans ce cas, un hyperplan se
reduit a un seuil s sur le seul attribut disponible, la taille, et l'apprentissage consiste a le
determiner a partir des exemples. Pour savoir si un individu est un homme ou une femme,
on mesure sa taille et on la compare au seuil s. Le biais, ou erreur d'approximation, est ici
important puisque l'espace des fonctions choisi est pauvre et ne permet pas une discrimination
parfaite entre hommes et femmes. Cela signie que la decision prise sur le seul critere d'un seuil
s sur la taille fera de nombreuses erreurs. En revanche, la variance, ou erreur d'estimation, peut
être rendue pratiquement nulle : même en prenant des echantillons dierents tires aleatoirement
dans une population donnee, les courbes P (femmejtaille) et P (hommejtaille) seront stables et
par consequent le seuil s calcule sera de variance faible.
Supposons maintenant qu'au lieu de mesurer seulement la taille, on prenne des dizaines de
mesures, disons cent, sur chacun des individus exemples : par exemple, leur taille, la couleur de
leur peau, la longueur de leur cheveux, etc. Le biais sera baisse, voire nul, car il est imaginable
Erreur
Ereur totale Minimum de

l'erreur totale
(Biais)2
Variance
"Richesse" de H
décroissante
Fig. 2.7 { Il est possible d'essayer de diminuer l'erreur totale accessible en reglant la richesse
de l'espace d'hypotheses H.
qu'il existe un hyperplan discriminant les hommes des femmes dans un espace de representation
d'une telle richesse. En revanche, il est beaucoup plus dicile d'estimer cent parametres qu'un
seul 5 : on risque donc, sur la base d'un echantillon de donnees forcement limite, de ne pas trouver
le meilleur hyperplan (erreur d'estimation). Une autre illustration du même probleme est que,
pour le même nombre m d'exemples, la precision des estimations sera tres douteuse. On aura
donc cette fois une forte variance sur les hypotheses produites a partir de dierents echantillons
d'apprentissage.
Le compromis biais-variance peut s'illustrer par la gure 2.7 dans laquelle l'erreur totale est
tracee comme la somme du biais 6 et de la variance. Au fur et a mesure que l'on diminue la
richesse de H le biais augmente et la variance diminue. L'erreur totale atteint en general un
minimum pour un certain reglage du biais. On voit la une indication de ce qu'il est possible
de chercher a faire pour ameliorer l'apprentissage. Nous verrons des realisations de cette idee
dans la section 2.6 decrivant les grands principes inductifs servant de base aux algorithmes
d'apprentissage.
2.2.2 Comment denir formellement le probleme de l'induction?
Apres avoir ainsi fourni les elements pour une comprehension intuitive du probleme, nous en
donnons maintenant une expression plus formelle.
Un probleme d'apprentissage est deni par les composantes suivantes :
1. D'abord un ensemble de trois acteurs :
L'environnement : il est suppose stationnaire et il engendre des formes xi tirees
independamment et de maniere identiquement distibuees (echantillon i.i.d.) suivant
une distribution DX sur l'espace d'entree X .
Un oracle ou superviseur ou professeur ou Nature, qui, pour chaque forme xi retourne
5. En reconnaissance des formes, ce probleme est connu sous le nom de la malediction de la dimensionnalite (curse
of dimensionnality)
6. En realite, pour des raisons d'homogeneite mathematique, on emploie generalement le carre du biais.
une reponse desiree ou etiquette ui en accord avec une distribution de probabilite

conditionnelle F (ujx) inconnue.
Un apprenant A capable de realiser une fonction (non necessairement deterministe)
prise dans un espace de fonctions H, telle que la sortie produite par l'apprenant
verie : yi = h(xi ) pour h 2 H.
2. Ensuite, la tâche d'apprentissage : l'apprenant cherche dans l'espace H une fonction h qui
approxime au mieux la reponse desiree de l'oracle. Dans le cas de l'induction, la distance
entre la fonction hypothese h et la reponse de l'oracle est denie par l'esperance de perte
sur les situations possibles dans Z = X U . Ainsi, pour chaque entree xi et reponse
de l'oracle ui , on mesure une perte ou coût (loss en anglais) l(ui ; h(xi )) evaluant le coût
d'avoir pris la decision yi = h(xi ) quand la reponse desiree etait ui . (On supposera, sans
perte de generalite, ce coût toujours positif ou nul). L'esperance de coût, ou risque reel est
alors : Z
RReel (h) = l(ui; h(xi))dF (x; u) (2.6)
Z =XU
Il s'agit d'une mesure statistique qui est fonction de la dependance fonctionnelle F (x; u)
entre les entrees x et les sorties desirees u. Cette dependance peut être exprimee par une
densite de probabilite conjointe denie sur X U qui est inconnue. En d'autres termes,
il s'agit de trouver une hypothese h proche de f au sens de la fonction de perte, et
ce particulierement dans les regions de l'espace des entrees X frequemment rencontrees.
Comme on ne conna^t pas a priori ces regions, il faut utiliser l'echantillon d'apprentissage
pour les estimer, et le probleme de l'induction est donc de chercher a minimiser le risque
reel inconnu a partir de l'observation de l'echantillon d'apprentissage S .
3. Finalement, un principe inductif qui prescrit ce que doit verier la fonction h recherchee, en
fonction a la fois de la notion de proximite evoquee ci-dessus et de l'echantillon d'appren-
tissage observe S = f(x1 ; u1 ); (x2 ; u2 ); :::; (xm ; um )g, dans le but de minimiser le risque
reel.
Le principe inductif dicte ce que doit verier la meilleure hypothese en fonction de l'echan-
tillon d'apprentissage, de la fonction de perte et, eventuellement, d'autres criteres. Il s'agit
d'un objectif ideal. Il faut le distinguer de la methode d'apprentissage (ou algorithme) qui
decrit une realisation eective du principe inductif. Pour un principe inductif donne, il y
a de nombreuses methodes d'apprentissage qui resultent de choix dierents pour regler les
problemes computationnels qui ne sont pas du ressort du principe inductif. Par exemple,
le principe inductif peut prescrire qu'il faut choisir l'hypothese la plus simple compatible
avec l'echantillon d'apprentissage. La methode d'apprentissage doit alors specier comment
chercher eectivement cette hypothese, ou une hypothese suboptimale s'il y a lieu, en
satisfaisant certaines contraintes de realisabilite comme des ressources computationnelles.
Ainsi, par exemple, la methode d'apprentissage cherchera par une methode de gradient,
sub-optimale mais facilement contrôlable, l'optimum deni par le principe inductif.
La denition donnee ci-dessus est tres generale : en particulier, elle ne depend pas de la
fonction de perte choisie (voir annexe 18.1 pour les principales fonctions de perte). Elle a le
merite de distinguer les principaux ingredients d'un probleme d'apprentissage qui sont souvent
melanges dans les descriptions de realisations pratiques.
2.2.3 Quel principe inductif adopter? Une introduction
Le principe inductif prescrit quelle hypothese on devrait choisir pour minimiser le risque reel
sur la base de l'observation d'un echantillon d'apprentissage. Or il n'y a pas de principe inductif
unique ou ideal. Comment extraire, a partir des donnees, une regularite qui ait des chances
d'avoir une pertinence pour l'avenir? Un certain nombre de reponses (( raisonnables )) ont ete
proposees. Nous en decrivons les principales de maniere qualitative ici avant de les reexaminer
plus formellement dans la suite de ce chapitre ainsi que dans le chapitre 17.
1. Le choix de l'hypothese minimisant le risque empirique (Empirical Risk Minimi-
zation en anglais ou principe ERM) . Le risque empirique est la perte moyenne mesuree
sur l'echantillon d'apprentissage S :
1 X
m
Remp(h) = m l(ui ; h(xi )) (2.7)
i=1
L'idee sous-jacente a ce principe est que l'hypothese qui s'accorde le mieux aux donnees,
en supposant que celles-ci soient representatives, est une hypothese qui decrit correcte-
ment le monde en general. Le principe de minimisation du risque empirique a ete, souvent
implicitement, le principe utilise en intelligence articielle depuis l'origine, tant dans le
connexionnisme que dans l'apprentissage symbolique. Quoi de plus naturel en eet que de
considerer qu'une regularite observee sur les donnees connues sera encore veriee par le
phenomene qui a produit ces donnees? C'est par exemple le principe directeur de l'algo-
rithme du perceptron comme de celui du systeme Arch. Dans ces deux cas, on cherche
une hypothese coherente avec les exemples, c'est-a-dire de risque empirique nul.
Nous examinerons plus loin (chapitre 4) le cas ou il existe une relation d'ordre de generalite
entre les hypotheses. Il sera alors possible d'aner le principe de minimisation du risque
empirique en choisissant parmi les hypotheses optimales, soit l'une des plus speciques,
soit l'une des plus generales.
2. Le choix de l'hypothese la plus probable etant donne l'echantillon d'appren-
tissage. C'est le principe de decision bayesienne. L'idee est ici qu'il est possible de denir
une distribution de probabilite sur l'espace des fonctions hypothese et que la connaissance
du domaine prealable a l'apprentissage peut en particulier s'exprimer sous la forme d'une
distribution de probabilite a priori sur les hypotheses. L'echantillon d'apprentissage est
alors considere comme une information modiant la distribution de probabilite sur H (voir
la gure 2.8). On peut alors, soit choisir l'hypothese la plus probable a posteriori (principe
du maximum de vraisemblance) ou Maximum A Posteriori (MAP), soit adopter une hy-
pothese composite resultant de la moyenne des hypotheses ponderee par leur probabilite
a posteriori (vraie approche bayesienne).
Pour prendre un exemple dramatique tire de l'actualite de l'annee 2001, lorsque Rudolph
Giuliani, alors maire de New-York, s'est reveille le matin du 11 septembre 2001, la probabi-
lite d'un avion percutant accidentellement un gratte-ciel etait jugee tres faible a priori, et
plus encore celle d'un avion en percurtant un intentionnellement. C'est pourquoi, apres la
nouvelle du premier impact sur l'une des Twin Towers, le maire s'est-il demande comment
un avion avait-il pu s'egarer hors des couloirs aeriens. Il s'agissait alors de l'hypothese la
plus probable pour expliquer la collision. Apres le second impact sur l'autre tour, l'hy-
pothese d'un accident devenait negligeable devant celle d'un acte delibere. Deux exemples
susaient ici a modier de maniere considerable les probabilites a priori sur l'espace des
hypotheses.
3. Le choix d'une hypothese qui comprime au mieux les informations contenues
dans l'echantillon d'apprentissage. Nous appellerons ce precepte : principe de compres-
sion d'information. L'idee est d'eliminer les redondances presentes dans les donnees an
H
Fig. 2.8 { L'espace des hypotheses H est suppose muni d'une densite de probabilites a priori.
L'apprentissage consiste a modier cette densite en fonction des exemples d'appren-
tissage.
d'extraire les regularites sous-jacentes permettant la description economique du monde. Il

est sous-entendu que les regularites decouvertes dans les donnees sont valides au-dela des
donnees et s'appliquent au monde en general.
Il faut noter que ces principes inductifs qui servent de cadres (parfois implicites) aux tra-
vaux sur l'apprentissage articiel, ne sont pas incompatibles entre eux, même s'ils relevent de
philosophies et, souvent, de communautes scientiques dierentes.
La question est de savoir si ces idees intuitivement seduisantes permettent d'apprendre ef-
fectivement. Plus precisement, nous aimerions obtenir des reponses a un certain nombre de
questions (( naves )) :
L'application du principe inductif selectionne conduit-elle a minimiser eectivement le
risque reel?
Faut-il pour cela verier certaines conditions ? Par exemple sur l'echantillon d'appren-
tissage, ou bien sûr les fonctions cibles, ou bien sur l'oracle, ou encore sur l'espace des
fonctions hypotheses.
Comment joue l'echantillon d'apprentissage sur la performance en generalisation, c'est-a-
dire sur le risque reel?
Plus precisement encore, comment la performance en generalisation depend-elle de l'infor-
mation contenue dans l'echantillon d'apprentissage, ou bien de sa taille, etc.?
Quelle performance maximale est possible pour un probleme d'apprentissage donne ?
Quel est le meilleur apprenant pour un probleme d'apprentissage donne ?
Repondre a ces questions implique des choix qui dependent en partie du type de principe
inductif utilise. C'est pourquoi nous en avons fait une description succincte ci-dessus.
2.2.4 Comment analyser l'apprentissage?
Nous avons decrit l'apprentissage, du moins l'apprentissage inductif, comme un probleme
d'optimisation : chercher la meilleure hypothese au sens de la minimisation de l'esperance de
risque sur la base d'un echantillon d'apprentissage. Nous voulons maintenant etudier sous quelles
conditions la resolution d'un tel probleme est possible. Nous voulons aussi avoir des outils per-
mettant de juger de la performance d'un principe inductif ou d'un algorithme d'apprentissage.
Cette analyse requiert des hypotheses supplementaires qui correspondent a des options sur ce
qui est attendu du systeme d'apprentissage.
Ainsi, un probleme d'apprentissage depend de l'environnement qui soumet des formes d'ap-
prentissage xi suivant une certaine distribution inconnue DX , de l'oracle qui choisit une fonction
cible f et de la fonction de perte choisie l. La performance d'un apprenant (qui depend du prin-
cipe inductif choisi et de l'algorithme d'apprentissage le realisant) sera evaluee en fonction des
choix de chacun de ces parametres. Lorsque nous cherchons a determiner la performance atten-
due d'un apprenant, nous devons donc prendre position sur la source de ces parametres. Trois
postures en particulier sont possibles :
1. On suppose que l'on ne conna^t rien a priori sur l'environnement, donc ni sur la distri-
bution des formes d'apprentissage, ni sur la dependance cible, mais l'on veut se premunir
contre la pire des situations possibles, comme si l'environnement et l'oracle etaient des
adversaires. On cherche alors a caracteriser la performance de l'apprenant dans les pires
situations envisageables, ce qui se traduit generalement par des bornes. C'est l'analyse
dans le pire cas. On parle aussi de cadre d'analyse MinMax, par reference a la theorie
des jeux. L'avantage de ce point de vue est que les garanties de performances eventuelles
seront independantes de l'environnement (le risque reel etant calcule quelle que soit la
distribution des evenements) et de l'oracle ou de la Nature (c'est-a-dire quelle que soit
la fonction cible). En revanche, les conditions identiees pour obtenir de telles garanties
seront tellement fortes qu'elles seront souvent tres eloignees des situations d'apprentissage
reelles.
2. On peut au contraire vouloir mesurer une esperance de performance. Dans ce cas, il faut
supposer qu'il existe une distribution DX sur les formes d'apprentissage, mais aussi une
distribution DF sur les fonctions cible possibles. L'analyse qui en resulte est une analyse
en cas moyen. On parle aussi de cadre bayesien. Cette analyse permet en principe une ca-
racterisation plus ne de la performance, au prix cependant de devoir faire des hypotheses
a priori sur les etats du monde. Malheureusement, il est souvent tres dicile d'obtenir
analytiquement des conditions de garanties d'apprentissage reussi, et il faut generalement
utiliser des methodes d'approximation qui enlevent une partie de l'interêt d'une telle ap-
proche.
3. Finalement, on pourrait chercher a caracteriser le cas le plus favorable, lorsque l'environ-
nement et l'oracle sont bienveillants et veulent aider l'apprenant. Mais il est dicile de
determiner la frontiere entre la bienveillance, celle d'un professeur par exemple, et la col-
lusion qui verrait alors l'oracle agir comme un complice et coder la fonction cible dans un
code connu de l'apprenant, ce qui ne serait plus de l'apprentissage, mais une transmission
illicite. C'est pourquoi ce type d'analyse, quoique interessant, n'a pas encore de cadre bien
etabli.
2.3 Analyse dans le pire cas : l'apprentissage PAC

Dans cette section, nous nous concentrons sur l'analyse du principe inductif ERM qui prescrit
de choisir une hypothese minimisant le risque empirique mesure sur l'echantillon d'apprentissage.
C'est en eet la regle la plus employee, et son analyse conduit a des principes conceptuels tres
generaux. Le principe ERM a d'abord fait l'objet d'une analyse dans le pire cas, que nous
decrivons ici. Une analyse en cas moyen, faisant intervenir des idees de physique statistique, a
egalement fait l'objet de nombreux travaux tres interessants. Elle est cependant techniquement
nettement plus dicile et est discutee dans le chapitre 17 portant sur des approfondissements
theoriques de l'etude de l'apprentissage.
2.3.1 E tude des conditions de validite de l'ERM

Rappelons que l'apprentissage consiste a chercher une hypothese h telle qu'elle minimise
l'esperance de perte pour l'apprenant. Formellement, il s'agit de trouver une hypothese optimale
h? minimisant le risque reel :
h? = ArgMin RReel (h) (2.8)
h2H
Le probleme est que l'on ne conna^t pas le risque reel attache a chaque hypothese h. L'idee
naturelle est donc de selectionner une hypothese h dans H qui se comporte bien sûr les donnees
d'apprentissage S : c'est le principe inductif de la minimisation du risque empirique (ERM) .
Nous noterons h^ S cette hypothese optimale pour le risque empirique mesure sur l'echantillon S :
^hS = ArgMin REmp (h) (2.9)

h2H
Ce principe inductif ne sera pertinent que si le risque empirique est correle avec le risque
reel. Son analyse doit donc s'attacher a etudier la correlation entre les deux risques et plus
particulierement la correlation entre le risque reel encouru avec l'hypothese selectionnee a l'aide
du principe ERM : REmp(h^ S ) et le risque reel optimal : RReel (h? ).
Cette correlation va faire intervenir deux aspects :
1. La dierence (forcement positive ou nulle) entre le risque reel de l'hypothese selec-
tionnee a partir de l'echantillon d'apprentissage h^ S et le risque reel de l'hypothese
optimale h? : RReel (h^ S ) ; RReel (h? )
2. La probabilite que cette dierence soit superieure a une borne donnee ".
E tant donne en eet que le risque empirique depend de l'echantillon d'apprentissage, la
correlation entre le risque empirique mesure et le risque reel depend de la representativite
de cet echantillon. Si celle-ci est mauvaise, l'echantillon d'apprentissage peut conduire, via
le principe ERM, a choisir une mauvaise hypothese. Par exemple, il n'est pas impossible
qu'avec une piece non truquee on tire cent fois (( pile )). On ne pourra alors reprocher a
quelqu'un d'avoir, sur la base d'un tel echantillon, parie que la piece est truquee. Fort
heureusement, la probabilite que cela arrive est faible. C'est pourquoi aussi, lorsque l'on
etudie la dierence RReel (h? ) ; RReel (h^ S ), il faut prendre en compte la probabilite de
l'echantillon d'apprentissage etant donnee une certaine fonction cible. On ne peut pas
être un bon apprenant a tous les coups, mais seulement dans les situations raisonnables
(echantillons d'apprentissage representatifs) qui sont les plus probables.
Reprenons donc la question de la correlation entre risque empirique et risque reel. Le principe
de minimisation du risque empirique est un principe inductif valide si, lorsque l'on choisit l'hy-
pothese h^ S qui minimise le risque empirique, le risque reel qui en resulte est garanti d'être proche
du risque reel optimal obtenu avec l'hypothese optimale h? , et ceci dans la grande majorite des
situations qui peuvent se presenter, c'est-a-dire pour la majorite des echantillons d'apprentissage
tires aleatoirement suivant la distribution DX .
De maniere plus formelle, on cherche sous quelles conditions il serait possible d'assurer :
8 0 "; 1 : P (jRReel (h^ S ) ; RReel (h? )j ") < (2.10)
La gure 2.9 illustre ce probleme. Nous cherchons a determiner sous quelles conditions la
probabilite que l'on choisisse une mauvaise hypothese (dont le risque reel est superieur au risque
reel optimal de plus de ") est bornee par .
Risque réel
Erreur Risque empirique

d'approximation
^
hS h* H
Fig. 2.9 { La courbe continue indique le risque reel associe a chaque hypothese h 2 H place
ici en abscisse. La courbe en pointilles indique le risque empirique associe a ces hy-
potheses pour un echantillon d'apprentissage S . Le principe de minimisation du risque
empirique (ERM) dicte de choisir l'hypothese minimisant ce risque empirique. Nous
voudrions borner la probabilite que, ce faisant, le risque reel encouru soit a plus de "
du risque reel optimal.
On comprend bien que la correlation entre le risque empirique et le risque reel depend de
l'echantillon d'apprentissage S , et, puisque celui-ci est tire aleatoirement (tirage i.i.d.), de sa
taille m. Cela suggere naturellement une application de la loi des grands nombres selon laquelle,
sous des conditions tres generales, la moyenne d'une variable aleatoire (e.g. REmp(h)) converge
vers son esperance (ici RReel (h)) lorsque cro^t la taille m de l'echantillon.
La loi des grands nombres incite a vouloir assurer l'equation (2.10) en faisant cro^tre la
taille de l'echantillon d'apprentissage S vers 1 et a se demander a partir de quelle taille m
d'un echantillon d'apprentissage tire aleatoirement (tirage i.i.d. suivant une distribution DX
quelconque), l'equation (2.10) est garantie :
8 0 "; 1 : 9 m; tq: P (jRReel (h? ) ; RReel(h^ Sm )j ") < (2.11)
La courbe (2.10) illustre la convergence souhaitee du risque empirique vers le risque reel.
Denition 2.1 (Pertinence du principe ERM)
On dit que le principe ERM est pertinent 7 si le risque reel inconnu RReel (h^ S ) et le risque
empirique REmp (h^ S ) convergent vers la même limite RReel (h? ) lorsque la taille m de l'echantillon
7. (( Consistance )) est le terme generalement employe, repris directement de l'anglais. Dans le cas present, ce
terme n'evoque rien en francais et fait un double emploi malheureux avec le terme d'apprenant (( consistant ))
employe parfois pour decrire un apprenant qui cherche une hypothese dont les predictions sur tous les exemples de
l'echantillon d'apprentissage sont en accord avec les reponses fournies par l'oracle. Le terme d'apprenant consistant
est aussi employe pour decrire un apprenant dont l'erreur reelle tend vers l'erreur optimale de Bayes lorque la
taille de l'echantillon m tend vers l'inni (voir [DEV96]). Nous preferons introduire un nouveau terme, celui de
pertinence qui traduit bien ce que l'on cherche : la validite du principe inductif ERM.
Risque réel
m
m/2
m/3
Risque empirique m/4
(fonction de S)
^
hS h* H
Fig. 2.10 { La courbe continue indique le risque reel associe a chaque hypothese h 2 H place
ici en abscisse. Les courbes en pointilles indiquent le risque empirique associe a ces
hypotheses pour un echantillon d'apprentissage Sm . Si le principe inductif ERM est
pertinent, alors ces courbes doivent converger vers la courbe de risque reel lorsque
la taille m de l'echantillon d'apprentissage cro^t.
tend vers 1 (voir la gure 2.11).

RReel (h^ S ) m;! ?
!1 RReel (h ) (2.12)
REmp(h^ S ) m;! R (h? )
!1 Reel
Dans ce cas en eet, il est justie d'utiliser le principe inductif ERM pour choisir une hy-
pothese a partir de l'observation d'un echantillon de donnees.
Malheureusement, la loi des grands nombres n'est pas susante pour notre etude. En eet,
ce que cette loi arme, c'est que le risque empirique d'une hypothese donnee h converge vers son
risque reel. Mais ce que nous cherchons est dierent. Nous voulons assurer que l'hypothese h^ Sm ,
prise dans H et qui minimise le risque empirique pour l'echantillon S , a un risque reel associe qui
converge vers le risque reel optimal obtenu pour l'hypothese optimale h? , independante de S . Il
faut bien voir que dans ce cas l'echantillon d'apprentissage ne joue plus uniquement le rôle d'un
ensemble de test, mais aussi d'un ensemble servant au choix de l'hypothese. On ne peut donc
plus prendre sans precaution la performance mesuree sur l'echantillon d'apprentissage comme
representatrice de la performance reelle.
Ainsi par exemple, on peut supposer que les notes obtenues par un etudiant lors d'examens
repetes convergent vers sa vraie valeur sur la matiere testee. Cependant, si on choisit dans la
classe l'etudiant ayant obtenu la meilleure moyenne sur ces examens, on n'est pas garantit d'avoir
ainsi l'etudiant le plus performant reellement. Il se peut en eet que le vrai meilleur etudiant
n'ait pas ete le meilleur sur les examens donnes. Il s'agit ici d'une convergence plus complexe,
dans laquelle doivent intervenir le nombre et la diversite des etudiants.
Un autre exemple donne par les theoriciens est qu'on peut construire des espaces d'hypotheses
H tels qu'il soit toujours possible de trouver une hypothese de risque empirique nul sans que
cela indique une bonne performance generale, donc sans qu'il y ait correlation entre le risque
empirique minimal et le risque reel minimal. Il sut pour cela d'imaginer une hypothese qui
s'accorde a toutes les donnees d'apprentissage et qui tire au hasard l'etiquette des formes non
Risque
RRéel(hSm)
RRéel(h*)
REmp(hSm)
Fig. 2.11 { Pertinence du principe ERM. A cause du biais ou erreur d'approximation, le risque
reel optimal atteint pour l'hypothese h? n'est generalement pas egal a zero. Au fur
et a mesure que la taille m de l'echantillon cro^t, le risque reel associe a l'hypothese
courante selectionnee h^ Sm diminue et tend vers le risque optimal. Le risque em-
pirique est inferieur au risque reel puisque h^ Sm est selectionnee pour minimiser
le premier et non le second. Souvent, il arrive que pour de petits echantillons de
donnees, on trouve une hypothese dans H dont le risque empirique est nul. Cela
devient generalement impossible lorsque la taille m de l'echantillon cro^t.
vues. C'est pourquoi il faut generaliser la loi des grands nombres.

Cette generalisation est aisee dans le cas d'un espace ni de fonctions hypotheses, elle n'a ete
obtenue que recemment par Vapnik et Chervonenkis (1971,1989), dans le cadre de l'induction,
pour le cas des espaces de dimension innie. Pour des raisons pedagogiques, nous n'etudions
dans ce chapitre que le cas de l'apprentissage de fonctions indicatrices (a valeur dans f0,1g)
prises dans un espace d'hypotheses ni. Le cas general de fonctions hypothese quelconques est
traite dans le chapitre 17.
2.3.2 Le cas de la discrimination: l'analyse PAC
Dans la lignee des travaux en intelligence articielle symbolique (dont le systeme Arch
est un prototype), les premiers pas en theorie de l'apprenabilite ont ete inities par Valiant
(1984), focalises sur les tâches d'apprentissage de concepts, c'est-a-dire de fonctions binaires
ou encore indicatrices sur l'espace X des exemples. Il etait de plus suppose que la fonction
cible f appartenait a l'espace des hypotheses H, c'est-a-dire que l'apprenant pouvait apprendre
parfaitement la fonction cible 8. Dans le cas, que nous supposerons verie ici, ou l'echantillon
d'apprentissage n'est pas bruite, il est donc toujours possible de trouver une hypothese de risque
empirique nul. Cette hypothese repond donc (( 1 )) sur tous les exemples positifs et (( 0 )) sur tous
les exemples negatifs. C'est ce que nous avons appele une hypothese coherente avec l'echantillon
d'apprentissage.
L'apprentissage peut alors être considere comme un processus eliminatoire qui
ecarte toutes les hypotheses non coherentes avec l'echantillon d'apprentissage, et en choisit une
parmi les restantes.
8. Dans le contexte des sciences cognitives privilegie en Occident dans les annees quatre-vingt, on supposait en eet
implicitement que l'apprenant et l'oracle etaient tous les deux des êtres humains et donc qu'ils partageaient le
même appareil cognitif. L'apprenant etait alors vu comme cherchant a apprendre parfaitement le concept cible
du (( ma^tre )) qui lui etait par nature accessible.
Rien ne garantit que l'hypothese ainsi obtenue soit exactement la fonction cible : plusieurs
hypotheses peuvent en eet être de risque empirique nul sur l'echantillon d'apprentissage. La
proximite de l'hypothese choisie avec la fonction cible depend donc de cet echantillon. C'est
pourquoi on a appele les travaux theoriques portant sur ce type d'apprentissage analyse PAC
[Ang88] pour apprentissage Probablement Approximativement Correct.
Nous commencons par une analyse d'un cas simple dans lequel l'espace des fonctions cibles
est ni. Nous cherchons alors a borner l'erreur commise lorsque, en accord avec le principe ERM,
on choisit une hypothese coherente avec les donnees d'apprentissage.
2.3.2.1 Le cas ou jHj est ni
Nous supposons une fonction cible f xee, ainsi que la distribution DX des exemples dans
X . Voulant evaluer le principe ERM, nous cherchons quelle est la probabilite qu'une hypothese
de risque empirique nul sur l'echantillon d'apprentissage soit en fait de risque reel superieur ou
egal a ", avec 0 " 1.
Nous supposons ici que la fonction de perte l compte le nombre d'erreurs de classication 9.
(voir l'annexe 18.1) :
(
l(ui ; h(xi )) = 0 si ui = h(xi ) (2.13)
1 si ui 6= h(xi )
Dans ce cas, le risque reel est egal a la probabilite qu'un exemple tombe dans la zone d'erreur
entre la fonction cible f et la fonction hypothese erronee herr : herr f (le symbole denote la
dierence symetrique entre deux ensembles. Voir gure 2.12).
RReel (herr ) = PDX (herr f ) (2.14)
Posons par hypothese que l'ecart entre f et herr est superieur a une constante :
"PDX (herr f ) > "
La probabilite qu'apres l'observation d'un exemple on ne s'apercoive pas que herr est erronee
est de 1 ; ". Apres l'observation d'un echantillon i.i.d. suivant la distribution DX de m exemples,
la probabilite de (( survie )) de herr vaut donc (1 ; ")m .
En considerant maintenant l'ensemble H des hypotheses possibles, la probabilite que l'une
d'entre elles (( survive )) apres l'observation de S est bornee par : jHj(1 ; ")m (on fait ici une
sommation car on a aaire a une union d'evenements disjoints). On sait, par developpement
limite, que jHj(1 ; ")m < jHje;"m . En reprenant l'inequation 2.11, il sut donc d'avoir un
echantillon de taille m telle que :
m 1 ln jHj
" (2.15)
pour que l'erreur commise en choisissant l'hypothese h^ S minimisant le risque empirique soit
bornee par " avec une probabilite > 1 ; .
On retiendra de cette demonstration trois idees :
1. D'abord que la cardinalite de H, donc en un certain sens sa richesse, a un eet direct sur la
borne d'erreur. Il est deja apparent que le choix d'un ensemble H trop riche peut conduire
a de mauvaises inductions.
9. Attention !! Même si ce que nous allons dire dans cette section peut se generaliser a d'autres fonctions de perte,
le detail des demonstrations depend de cette hypothese, et ne peut donc se transposer sans precautions a d'autres
fonctions de perte.
X
herr
Zone
d'erreur
Fig. 2.12 { La zone d'erreur dans le cas de l'apprentissage d'un concept ou fonction binaire
denie sur X .
2. Ensuite, le raisonnement utilise dans la demonstration implique l'ensemble des fonctions

hypothese de H. Nous verrons qu'une generalisation de ce raisonnement fait appel de
même a un argument de convergence uniforme. Cette observation est tres importante
car elle indique que l'analyse est de facto une analyse dans le pire cas, s'appliquant en
particulier a l'hypothese pour laquelle la convergence est la plus mauvaise.
3. Finalement, l'idee directrice de la demonstration consiste a borner la probabilite qu'une
zone d'erreur de poids > " ne soit pas atteinte par un exemple de l'echantillon d'appren-
tissage 10 .
Remarque
Le cas ou la fonction cible f 62 H.
Pour une hypothese donnee h 2 H, une forme particuliere de la loi des grands nombres, l'inegalite
de Hoeding [Hoe56, Hoe63a], donne la vitesse avec laquelle la (( queue )) de la distribution binomiale
approche zero. Elle s'applique a la convergence du risque empirique sur le risque reel pour une hypothese
h:
P (jRReel (h? ) ; RReel (h^ Sm )j ") < 2 e;2"2 m (2.16)
pour toute distribution DX , tout " et tout entier positif m. Il faut retenir qu'enp premiere approximation,
la convergence de la frequence d'erreur sur la probabilite d'erreur est en 1= m, ce qui correspond au
type de convergence associee au theoreme central limite.
Nous voulons borner l'erreur commise par l'apprenant lorsqu'il choisit l'hypothese h^ S 2 H, dependant
de l'echantillon d'apprentissage S , au lieu de l'hypothese optimale h? . Pour cela, il sut de montrer que
la dierence entre le risque empirique et le risque reel de n'importe quelle hypothese est bornee. La
gure 2.13 montre pourquoi. En eet, si l'ecart entre le risque empirique et le risque reel de n'importe
quelle hypothese h est borne par ", alors l'ecart entre le risque reel associe a h^ S et le risque reel optimal
associe a h? est borne par 2". Cela se traduit par un theoreme:
Theoreme 2.1
Soit H un ensemble ni de fonctions indicatrices (denies de X vers f0,1g). Alors :
; ;2"2 m
P max
h2H
j RR el (h) ; REmp (h)j "
e < 2 jHj e (2.17)
pour toute distribution DX , tout " et tout entier positif m.
10. Une generalisation de cette idee a ete utilisee dans le cas d'espaces de fonctions indicatrices de cardinalite innie
avec la notion de "-reseau ("-net)[Hau92].
Risque réel
ε
2ε
Risque empirique
^
hS h* H
Fig. 2.13 { Si chaque hypothese h 2 H a un risque empirique proche de son risque reel (a moins
de "), alors minimiser le risque empirique (en application du principe inductif ERM)
minimisera approximativement aussi le risque reel (a au plus 2"), ce qui est le but
recherche et assure la pertinence du principe ERM.
Demonstration. Cela resulte du fait que la probabilite d'une union d'evenements independants est inferieure
ou egale a la somme de leurs probabilites.
Nous avons la a nouveau un exemple d'un argument de convergence uniforme : il montre que le risque
empirique converge vers le risque reel lorsque m tend vers 1, uniformement pour toutes les hypotheses
de H.
Dans ce cas, il sut d'avoir un echantillon d'apprentissage Sm de taille :
m 2 ln 2jHj
"2 (2.18)
pour borner par " avec une probabilite > 1 ; l'erreur commise en choisissant l'hypothese h^ S de risque
empirique minimal au lieu de l'hypothese optimale.
Demonstration. En eet, le theoreme 2.1 arme que :
P (Max jR R el (h) ; REmp (h)j ") < 2 jHj e
e ;2"2 m
h2H
et cela ne vaut pas plus que si :
1=2
" 21m ln 2jHj

Alors, avec une probabilite 1 ; ; 8h 2 H :
RReel (h) ; " < REmp (h) < RReel (h) + "
d'ou :
RReel (h^ S ) REmp (h^ S ) + "
REmp (h? ) + " Puisque par application du principe ERM : h^ S = ArgMin REmp (h)
h2H
< (RReel (h? ) + ") + "
= RReel (h? ) + 2 "
1=2
1=2
Donc, avec probabilite 1; : RReel (h^ S ) RReel (h? )+ m2 ln 2jHj
soit, en posant " = m2 ln 2jHj
:
m "22 ln 2 jHj
(2.19)
On remarquera que cette borne inferieure sur l'echantillon d'apprentissage est bien moins bonne que
la borne obtenue en (2.15) lorsque la fonction cible f est supposee appartenir a l'ensemble des fonctions
hypotheses H : il y a maintenant un facteur "2 au denominateur au lieu d'un facteur ". Pourquoi?
Une justication intuitive peut être avancee. Dans le cas ou la fonction cible f 2 H, cela signie que
la distribution des exemples sur X f0; 1g, et la partition induite sur X , peuvent être (( representees ))
par une fonction de H. Il s'agit donc d'un sous-ensemble des distributions possibles sur X f0; 1g. De
ce fait, la variance sur les hypotheses h^ S qui minimisent le risque empirique en fonction de l'echantillon
d'apprentissage S est reduite. Or moins de donnees sont necessaires pour approcher une variable aleatoire
dont la variance est moindre. Nous aurons l'occasion de revenir sur cette dierence entre le cas parfaite-
ment apprenable (erreur d'estimation nulle) et le cas apprenable par approximation. Retenons qu'il est
remarquablement plus facile de chercher une bonne hypothese dans le cas apprenable. Il est tentant dans
ces conditions de faire bon usage de cette remarque fondamentale.
Sans avoir rendu compte de l'analyse beaucoup plus complete de Vapnik (decrite dans le
chapitre 17), nous pouvons retenir a ce stade que le principe inductif de minimisation du risque
empirique ne peut être applique sans precaution. Pour que la mesure du risque empirique soit
correlee avec le risque reel, il faut que l'espace d'hypotheses H dans lequel on choisit h^ ait de
bonnes proprietes. De maniere informelle, il faut que cet espace ne soit pas trop (( riche )) ou
trop (( souple )), c'est-a-dire qu'on ne puisse pas y trouver des hypothses s'accordant a n'importe
quel jeu de donnees. On retrouve naturellement une idee deja rencontree avec le compromis
biais-variance. Cela signie que le principe ERM doit être modie pour que la richesse de H soit
egalement prise en compte lorsque l'on recherche la meilleure hypothese. Toutes les techniques
de contrôle de l'espace d'hypotheses visent a regler ce compromis. Nous les examinerons plus
loin.
2.4 Analyse dans un cas moyen : l'analyse bayesienne

Il est evidemment d'un interêt essentiel pour l'etude du probleme de l'induction de savoir s'il
existe une maniere optimale d'utiliser l'information disponible dans l'echantillon d'apprentissage.
Si tel etait le cas, cela fournirait une borne inferieure pour le risque reel qui ne pourrait être
battue en moyenne par aucun algorithme d'apprentissage. La question deviendrait alors de savoir
a combien de cet optimum un principe inductif peut s'approcher et s'il existe un algorithme
d'apprentissage qui puisse eectivement atteindre cette borne. Ces questions font l'objet de
cette section. La regle de decision bayesienne y est en eet denie comme etant la regle de
decision optimale au sens ou elle minimise le risque reel en utilisant l'information disponible de
maniere optimale.
On peut objecter que, dans le cas de la classication par exemple, tout ce que l'echantillon
d'apprentissage apporte comme information est que la fonction cible gure dans l'ensemble des
fonctions coherentes avec les exemples d'apprentissage. Comment des lors depasser le principe
ERM et specier un apprenant optimal? Il est en eet necessaire de se donner des informations
supplementaires sur la probabilite a priori des fonctions cible. Il sera alors possible de denir
une regle de decision minimisant l'esperance de risque. C'est ce que nous allons voir maintenant.
2.4.1 Nature de l'analyse bayesienne

L'analyse de l'induction dans le pire cas etudie les conditions sous lesquelles il existe de bonnes
garanties, quantiables, pour que quelle que soit la dependance cible dans la nature, quelle que
soit la distribution des evenements mesurables, toute hypothese qui colle bien aux donnees
d'apprentissage (en minimisant le risque empirique) soit eectivement proche (au sens du risque
reel) de la dependance cible. Il est clair que cette formulation du probleme de l'induction fait
bien place a la question centrale du rapport entre ce qui a ete observe et le futur.
L'analyse bayesienne se pose le probleme de l'induction dans des termes dierents. D'un
certain côte, il s'agit d'une question beaucoup plus pratique : etant donne que l'on m'a fourni un
echantillon de donnees, comment cela doit-il modier mes croyances anterieures sur le monde ?
Cette formulation introduit immediatement deux aspects :
D'une part, quelle forme prend la connaissance ou ensemble de croyances sur le monde?
D'autre part, quelle regle normative doit presider a la revision de la connaissance en

presence de nouvelles donnees?
Le reverend Thomas Bayes (1702-1761) a repondu a ces deux questions. Il propose d'une part
que la connaissance sur le monde soit traduite par un ensemble d'hypotheses (ni ou non),
chacune d'entre elles etant aectee d'une probabilite re etant le degre de croyance de l'apprenant
dans l'hypothese en question. La connaissance sur le monde est ainsi exprimee sous la forme
d'une distribution de probabilites sur un espace d'hypotheses. D'autre part, il donne une regle de
revision permettant de modier une distribution a priori, en une distribution a posteriori tenant
compte des donnees d'apprentissage. En gros, cette regle dit que la probabilite a posteriori d'une
hypothese est egale a sa probabilite a priori multipliee par la vraisemblance des donnees etant
donnee l'hypothese. Plus formellement, la celebre regle de Bayes de revision des probabilites
s'ecrit :
pH(hjS ) = pH (hP) P(XS )(Sjh)
m
(2.20)
X
ou nous denotons par pH la densite de probabilite denie sur l'espace des hypotheses h 2 H,
par PX la mesure de probabilite des evenements sur X et par PXm la mesure de probabilite
d'un ensemble d'apprentissage S = ((x1 ; u1 ); (x2 ; u2 ); :::; (xm ; um )). Avec ces notations, pH (h)
et pH (hjS ) denotent respectivement la densite de probabilite a priori de l'hypothese h 2 H
et sa densite de probabilite a posteriori apres prise en compte des donnees S . PX (Sjh) est la
probabilite conditionnelle de l'evenement S si l'on suppose vrai l'etat du monde correspondant
a h. PX (S ) est la probabilite a priori de l'evenement S . On pourrait ainsi avoir :
PH (oiseau = canardjcouleur-aile = noir) =
PH (oiseau = canard) pX (la couleur de l'aile est sombrejoiseau = canard)
pX (la couleur de l'aile est sombre)
L'importance pratique de la regle de Bayes tient au fait qu'elle permet de reexprimer la
probabilite a posteriori dicile a calculer, en termes de probabilites a priori et conditionnelles
plus faciles a obtenir. Nous y reviendrons.
On peut noter que la regle de Bayes est a la fois normative, dictant ce qui doit être verie
pour que l'induction, c'est-a-dire la revision des connaissances, soit correcte, et prescriptive,
donnant une procedure a suivre pour ce faire. Cela n'est cependant pas susant pour specier
quelle decision il faut prendre en presence de donnees d'apprentissage. C'est l'objet de la theorie
bayesienne de la decision.
2.4.2 Le risque bayesien et la decision optimale
Comme dans le cas du principe inductif ERM, le but de l'agent est de prendre une decision
(par exemple : faire un diagnostic, reconna^tre un projet a soutenir, decider si le signal du sonar
correspond a une mine entre deux eaux ou a un banc de poissons, etc.) minimisant l'esperance
de risque.
Nous denissons une fonction de decision S : X ! H, ou H est ici vu comme un ensemble
de decisions a prendre, cet ensemble n'etant pas forcement isomorphe a l'ensemble des etats
possibles du monde. Par exemple, une decision peut être une decision de rejet, c'est-a-dire de
ne pas prendre de decision parce que l'incertitude est trop forte et ne permet pas de se decider
avec susament de garantie pour une hypothese sur le monde plutôt qu'une autre.
Avant toute observation sur le monde, et en prenant seulement en compte les connaissances
a priori, l'esperance de risque associee a une decision h peut s'ecrire :
X
R(h) = l(hjf ) pF (f ) (2.21)
f 2F
ou pF (f ) denote la probabilite a priori que le monde soit dans l'etat f , tandis que l(hjf ) est le
coût ou perte encouru lorsque la decision h est prise alors que l'etat du monde est f .
On supposera ici tous les coûts positifs ou nuls : l(hjf ) 0; 8h 2 H; 8f 2 F . En general, le
coût d'une decision correcte est pris comme nul et celui d'une decision de rejet comme constant :
l(rejetjf ) = r; 8f 2 F . Si tout coût de decision incorrecte est equivalent, on aura alors la
fonction de coût suivante :
8
>
<0 si h = f (decision correcte)
l(hjf ) = > 1 si h 6= f (decision incorrecte) (2.22)
:r si h = rejet (doute trop important)
Dans de nombreuses applications cependant, le coût de decision incorrect depend a la fois de la
decision h et de l'etat du monde f et n'est pas de surcro^t symetrique. Par exemple, le coût de ne
pas diagnostiquer a tort une tumeur est souvent bien plus eleve que de faire un faux diagnostic
positif.
Dans le cas de l'equation 2.21, la decision optimale h? a prendre est evidemment celle cor-
respondant au risque minimal.
Denition 2.2 (Regle de decision bayesienne)
On appelle regle de decision bayesienne la regle de choix de l'hypothese minimisant l'esperance
de risque.
h? = ArgMin R(h) = ArgMin l(hjf ) pF (f ) (2.23)
h2H h2H
En tenant compte du coût de la decision de rejet, cette regle de decision devient :
(
h? = ArgMinh2H l(hjf ) pF (f ) si minh2H R(h) < r (2.24)
rejet sinon
E videmment, elle ne presente guere d'interêt en l'absence de mesures ou nouvelles donnees
dont l'agent peut disposer sur le monde (tant que je n'ai pas un texte sous les yeux et des formes
a interpreter comme etant des lettres, je dois faire le pari que j'ai aaire a des 'E', puisque c'est
la lettre la plus probable en francais). Lorsque que de nouvelles donnees S sont disponibles, il
faut utiliser la formule de Bayes de revision des probabilites pour obtenir la regle bayesienne de
decision optimale. L'esperance de risque attachee a l'hypothese h etant donnee l'observation S
est :
Z
R(hjS ) = l(hjf ) pF (f jS ) (2.25)
f 2F
ou bien :
X
R(hjS ) = l(hjf ) PF (f jS )
f 2F
dans le cas d'un nombre ni de decisions f possibles, et la regle de decision bayesienne de risque
minimal stipule de choisir l'hypothese h qui minimise ce risque :
Z
h? = ArgMin R(hjS ) = ArgMin l(hjf )pF (f jS )
h2H h2H f 2F
Z pF (f ) pmX (Sjf ) (2.26)
= ArgMin l(hjf ) pm (S )
h2H f 2F X
Comme pX (S ) est un terme independant de l'hypothese consideree, il n'intervient que comme
un facteur de normalisation et n'in uence pas la decision. On obtient alors :
Denition 2.3 (Regle de decision bayesienne de risque minimal)
La regle de decision bayesienne minimisant l'esperance de risque est :
Z
h? = ArgMin l(hjf ) pF (f ) pmX (Sjf ) (2.27)
h2H f 2F
Denition 2.4 (Risque de Bayes)

Le risque associe a l'hypothese optimale h? est appele risque de Bayes. Il represente le risque
minimal atteignable si l'on conna^t la distribution de probabilite a priori sur les etats du monde
F ainsi que les probabilites conditionnelles pX (Sjf ).
En tenant compte de la possibilite de rejet, la regle de decision devient :
( R
ArgMinh2H f 2F l(hjf ) pF (f ) pmX (Sjf ) si minh2H R(h) < r
h? = (2.28)
rejet sinon
An d'illustrer l'analyse bayesienne, nous etudions deux cas simples dans la suite, qui cor-
respondent aussi a des regles de decision tres classiques.
2.4.3 Cas particuliers de la decision bayesienne
2.4.3.1 Cas de coût de classication incorrecte uniforme : la regle d'erreur mini-
male
Lorsque le domaine est insusamment connu ou bien qu'il se prête a cette hypothese, on
suppose que les coûts de classication incorrecte sont tous equivalents. Par exemple, dans le cas
de la reconnaissance de caracteres, on pourrait supposer que le coût de prendre une lettre pour
une autre est le même, quelles ques soient les lettres en question. On a alors la fonction de coût :
(
0 si h = hf (decision correcte)
l(hjf ) = (2.29)
1 si h 6= f (decision incorrecte)
Dans ce cas, la regle de decision bayesienne devient :
X
h? = ArgMin l(hjhf ) pF (f ) pX (xjf )
h2H f 2H
X
= ArgMin l(hjhf ) pF (h) pX (xjh) + l(hjhf ) pF (f ) pX (xjf )
h2H h6=hf
X
= ArgMin pF (f ) pX (xjf ) ( car l(hjh) = 0 et l(hjhf ) = 1)
h2H hf 6=h
= ArgMin f1 ; [pF (f ) pX (xjf )]g
h2H
= ArgMax pF (f ) pX (xjf )
h2F
Denition 2.5 (Regle de Maximum a posteriori (MAP))

Lorsque les coûts de mauvaise classication sont egaux, la regle de decision bayesienne de risque
minimal devient la regle de Maximum A Posteriori : (MAP).
h? = ArgMax pF (f ) pX (xjf ) (2.30)
h2F
On cherche en eet l'hypothese h la plus probable etant donnee l'observation x, c'est-a-dire a
posteriori. Cette regle s'appelle aussi la regle d'erreur minimale car elle minimise le nombre
d'erreurs de classication.
Denition 2.6 (Le classicateur bayesien naf ((( naive bayesian classier ))))
Si l'on suppose que les attributs de description fa1 ; :::; ad g de l'espace d'entree X sont independants
les
Qd unsp(ades=autres, alors on peut decomposer pX (xjf ) en p(a1 = v1x jf ) : : : p(ad = vdx jf ) soit
i=1 i vix jf ). Le classieur utilisant la regle du Maximum a posteriori base sur ces hy-
potheses est appele classieur bayesien naf.
Il faut noter que les attributs de description sont rarement independants les uns des autres
(par exemple le poids et la taille). Pourtant le classieur bayesien naf donne souvent des resultats
proches de ceux obtenus par les meilleures methodes connues. Domingos et Pazzani, par exemple,
dans [DP97] etudient pourquoi.
Denition 2.7 (Regle du maximum de vraisemblance)
Si de plus toutes les hypotheses ont la même probabilite a priori, alors la regle de Maximum
A Posteriori devient la regle du Maximum de Vraisemblance (Maximum Likelihood ou ML en
anglais).
h? = ArgMax pX (xjh) (2.31)
h2H
ω2 ω1
Fig. 2.14 { Frontiere de decision dans l'espace des formes X .
Cette regle revient a selectionner l'hypothese h pour laquelle l'observation x est la plus
probable, c'est-a-dire l'etat du monde qui est le plus a même d'avoir produit l'evenement x. Cela
traduit l'idee simple que l'observation x n'est pas totalement fortuite et etait même fortement
probable etant donne l'etat du monde h.
2.4.3.2 Cas de deux classes : la discrimination
Nous supposons maintenant que la tâche d'apprentissage consiste a discriminer les formes
observees x en deux classes : H = F = f!1 ; !2 g.
E tant donnee l'observation x, les esperances de risque associees a chaque decision sont res-
pectivement (en notant l(!i j!j ) = lij ) :
R(!1) = l11 p(!1 jx) + l12 p(!2 jx)
R(!2 ) = l21 p(!1 jx) + l22 p(!2 jx)
La regle de decision de Bayes stipule de choisir l'hypothese d'esperance de risque minimal. Par
exemple, il faut decider d'attribuer la forme x a la classe !1 si et seulement si :
(l21 ; l11 ) p(!1 jx) (l12 ; l22 ) p(!2 jx) (2.32)
soit encore en utilisant la formule de Bayes de revision des probabilites :
(l21 ; l11 ) p(xj!1 ) p(!1 ) (l12 ; l22 ) p(xj!2 ) p(!2 )
d'ou, en passant par le logarithme du rapport :
d(x) = log pp((xxjj!!1)) + log ((ll21 ;
;
l11 ) p(!1 ) 0 (2.33)
2 12 l22 ) p(!2 )
La regle de decision bayesienne se traduit ainsi par une fonction de decision d (ou fonction de
discrimination) decrivant une frontiere ou surface de decision dans l'espace X , avec d'un côte
les formes a attribuer a la classe !1 et de l'autre les formes a attribuer a la classe f2 (Voir la
gure 2.14).
Cette remarque est importante car elle suggere d'apprendre directement cette fonction de
decision, et la frontiere correspondante, plutôt que d'apprendre les probabilites impliquees dans
la regle bayesienne de la decision (e.g. la regle (2.30)) qui sont generalement beaucoup plus
diciles a estimer. C'est la la base de toutes les methodes de classication par determination
de surfaces de decision, dont par exemple une grande partie des methodes connexionnistes.
On peut noter egalement que dans le cas particulier de la discrimination entre deux classes de
distribution normale de moyennes 1 et 2 avec des matrices de covariance egales 1 = 2 = ,
la fonction de decision d(x) est une fonction lineaire :
d(x) = (x ; 2( 1+ ) )>;1 (1 ; 2 ) + ln ((ll21 ; ; l11 ) p(f1) (2.34)
1 2 12 l22 ) p(f2 )
2.4.4 Panorama des methodes inductives dans le cadre bayesien
La theorie de la decision bayesienne fournit une prescription sur l'hypothese optimale au sens
d'un certain risque deni pour un echantillon d'apprentissage donne (a la dierence du cadre
statistique de Vapnik qui veut se preparer a faire face a tout echantillon possible). Dans ce cadre,
le calcul des probabilites a posteriori joue un rôle central comme le montrent les equations (2.30)
et (2.31) respectivement associees aux regles de decision par Maximum a posteriori (minimisant
l'esperance de coût) et de Maximum de Vraisemblance (minimisant la probabilite d'erreur). Il
s'agit donc de calculer la distribution pF (f ) sur les etats du monde { ce qui dans le cas de la
classication se traduit par le calcul des probabilites de chaque classe {, et des distributions de
probabilite d'appartenance conditionnelle pX (xjf ). On peut dire qu'une fois que l'on a deni ces
regles de decision, tout le reste de la theorie de l'inference bayesienne est dedie aux methodes
d'estimation de ces probabilites a partir de donnees d'apprentissage.
Trois familles de methodes ont ete etudiees pour resoudre ce probleme.

Les methodes parametriques dans lesquelles on suppose a priori que les densites de pro-
babilites recherchees ont une certaine forme fonctionnelle. Par exemple, on peut decider
qu'il y a de bonnes raisons pour que les densites soient des gaussiennes dont il faut alors
identier la moyenne et la matrice de covariance. L'avantage de ces techniques est qu'elles
permettent, grâce a cette connaissance a priori, d'obtenir des estimations precises avec peu
de donnees d'apprentissage. L'inconvenient est que la forme fonctionnelle choisie a priori
peut se reveler inadaptee pour representer la vraie densite.
Les methodes semi-parametriques cherchent a relâcher les contraintes des methodes pa-
rametriques en s'autorisant une classe generale de formes fonctionnelles pour les den-
sites. L'idee est cependant de pouvoir contrôler cette plus grande exibilite en reglant
des parametres fonctionnels de maniere systematique en fonction des donnees et de la
taille de l'echantillon d'apprentissage. On peut ainsi decider de s'interesser a des den-
sites representees par un certain nombre de gaussiennes (melanges de distributions), ou
bien choisir de representer ces densites par des reseaux de neurones dont on contrôle les
parametres comme le nombre de couches ou le nombre de neurones.
Finalement, les methodes nonparametriques ne font plus aucune hypothese sur la forme des
distributions recherchees, et permettent a celles-ci d'être entierement determinees par les
donnees. Ces methodes travaillent directement dans l'espace X des formes par denition
de voisinages ou par interpolation. Si on obtient ainsi une exibilite totale, c'est au prix
d'un nombre de parametres de description qui augmente comme le nombre d'observations
et peut rapidement devenir ingerable. Il faut donc prevoir des methodes de contrôle a
posteriori. Les techniques par noyaux ou par plus proches voisins sont parmi les plus
representatives de cette famille de methodes.
Nous detaillons davantage chacune de ces approches au chapitre 17 dans la section 17.2.3 et
dans les chapitres concernes, en particulier le chapitre 14.
2.4.5 Et si l'espace des hypotheses ne contient pas la fonction cible?
L'approche bayesienne est souvent decrite comme une approche dans laquelle l'espace des
fonctions hypothese H, parfois realise par une famille de fonctions parametriques, contient la
fonction cible. Ce n'est evidemment pas necessairement le cas. Que peut-on dire alors si l'on
force l'apprentissage dans H, une famille parametree de fonctions?
On suppose toujours que l'echantillon de donnees S est issu d'un tirage i.i.d. (independant et
identiquement distribue) suivant la densite inconnue p(x), et que l'on cherche a rendre compte
des donnees par le modele ph (x). L'estimation par maximum de vraisemblance fournit alors
l'hypothese h? 2 H maximisant la fonction de vraisemblance (log-likelihood function) :
X
m
Lm (h) = log ph(xi ) (2.35)
i=1
Une application de la loi des grands Rnombres montre que Lm (h)=m tend, quand m tend vers
l'inni, vers l'esperance de log ph (xi ) ( X p log ph dx), avec probabilite 1 (convergence presque
sûre).
Pour de nombreuses familles de fonctions, cette expression a un maximum unique h? dont
la densite associee ph? peut être dierente de la vraie valeur p puisque nous avons suppose que
p n'appartient pas necessairement a H. Il est heureusement possible de dire qu'en un sens, la
densite ph? est la plus (( proche )) de la vraie valeur p, dans la mesure ou elle minimise la distance
de Kullback-Leibler (encore appelee divergence de Kullback-Leibler) :

Z
dKL (p; ph ) = p(x) log pp((xx)) dx (2.36)
X h
Cette mesure n'est pas symetrique et n'est donc pas une distance au sens mathematique. Il
s'agit plutôt d'une dissemblance (( dirigee )) de la vraie densite a la densite estimee, pour laquelle
ph? est la valeur la (( moins fausse )) possible. Si la vraie densite appartient a l'espace H, alors
p(x) = ph? (x) et dKL(p; ph? ) = 0.
2.4.6 En resume : la procedure inductive bayesienne
Pour resumer, l'approche inductive bayesienne standard sur un echantillon de donnees est la
suivante :
1. Denir l'espace des hypotheses (on parle aussi dans ce cadre de (( modeles ))) dans lequel
on suppose que se trouve la fonction cible.
2. Utiliser la connaissance disponible sur le domaine pour assigner des probabilites a priori
aux dierentes hypotheses possibles et des densites de probabilite sur les parametres des
familles de modeles s'il y a lieu.
3. Utiliser le theoreme de Bayes pour calculer les probabilites (ou les densites de probabi-
lite) a posteriori etant donne l'echantillon d'apprentissage. An de comparer les dierents
modeles, il est necessaire de conditionner tous les parametres intervenant dans les modeles.
Ces probabilites conditionnees sont les probabilites des modeles etant donne l'echantillon
d'apprentissage, elles fournissent les probabilites relatives des modeles, sans tenir compte
de la complexite de chaque modele.
4. Choisir un algorithme de recherche an d'explorer ecacement l'espace des modeles pos-
sibles pour trouver le modele de probabilite a posteriori maximale (localement).
5. Stopper la recherche lorsque le modele le plus probable est trouve, ou lorsqu'il n'est plus
rentable de continuer la recherche. Generalement, le critere d'arrêt implique un compromis
entre l'optimalite du modele trouve et la complexite de la recherche. Il faut le plus souvent
avoir recours a des heuristiques pour accelerer la recherche au risque de manquer le modele
optimal.
2.5 Discussion : Quels types d'analyses et de principes inductifs?

L'induction supervisee consiste a utiliser un echantillon de donnees pour extrapoler soit la
reponse a une nouvelle question (prediction), soit une regle generale de decision (identication).
Dans cette optique deux questions fondamentales se posent : quel principe inductif faut-il adopter
et quelles garanties existe-t-il sur les resultats?
Parmi les grands principes inductifs immediatement envisageables, nous avons etudie pour
le moment le principe ERM dictant de choisir l'hypothese dont l'adequation avec les donnees
d'apprentissage est la meilleure (au sens du risque empirique) et le principe bayesien stipulant
de choisir l'hypothese minimisant l'esperance de risque, qui peut aussi, dans le cas de coûts
uniformes, être l'hypothese la plus probable etant donne l'echantillon d'apprentissage.
Il se trouve que ces deux principes inductifs ne conduisent pas a la même analyse. Pour
mesurer la pertinence du principe ERM, c'est-a-dire la correlation entre le risque empirique,
sur la base duquel est choisie la meilleure hypothese, et le risque reel, veritable objectif, il
faut utiliser un theoreme de convergence uniforme faisant intervenir la pire hypothese possible
dans l'espace H. On obtient alors une analyse dans le pire cas. Cette analyse presente deux
aspects positifs. D'une part, elle fournit des garanties extrêmes applicables dans la pire des
situations possibles (pire fonction cible, pire choix de la meilleure hypothese selon ERM, pire
echantillon d'apprentissage). D'autre part, elle indique que pour etablir un lien entre risque
empirique et risque reel, il faut tenir compte de la richesse de l'espace des hypotheses. Cela
conduit naturellement a envisager des principes inductifs plus puissants que le principe ERM, ce
sera l'objet de la suite de ce chapitre. La contrepartie de cette analyse dans le pire cas est qu'elle
fournit des bornes de dierence entre risque empirique et risque reel souvent eloignees de ce qui
est observe. On aimerait des analyses plus nes tenant compte de cas typiques ou bien pouvant
prendre en compte la distribution des donnees d'apprentissage. Les approches actuelles sur la
classication a large marge par exemple sont un pas dans cette direction (voir le chapitre 9).
Le point de vue bayesien est quant a lui indissociable d'une analyse en cas moyen : cette fois-
ci l'hypothese a retenir est celle qui minimise l'esperance d'erreur en fonction de la probabilite
a priori des fonctions cible. L'avantage est que la decision resultante est optimale. En revanche,
cette analyse presuppose d'une part que l'on sache identier l'espace dans lequel se trouve la
fonction cible, et que, d'autre part, on soit capable de determiner une distribution de probabilite
a priori sur cet espace. Si cela est possible, alors le cadre bayesien fournit un moyen interessant
d'expression de la connaissance a priori sur le probleme. Lorsque l'espace des fonctions hypothese
est mal choisi, alors l'hypothese prescrite par la decision bayesienne est la plus proche de la
fonction cible au sens de la distance de Kullback-Leibler.
Notons avant de passer a des principes inductifs plus ns qu'il existe d'autres types d'ana-
lyses. Par exemple, une autre analyse en cas moyen est celle de la physique statistique qui etudie
les comportements les plus probables quand on peut voir le probleme d'apprentissage comme
mettant en jeu un grand nombre d'elements. D'autres analyses etudient des mesures de perfor-
mances dierentes, par exemple le nombre d'erreurs commises en cours d'apprentissage. Nous
renvoyons le lecteur interesse au chapitre 17 pour plus de details sur ces approfondissements
theoriques.
2.6 Les grands principes inductifs avec regulation des hypotheses

L'examen du compromis biais-variance (section 2.2.1) et l'analyse du principe de minimisa-
tion du risque empirique par Vapnik et les theoriciens de l'apprentissage PAC ont clairement
montre que l'esperance de risque (le risque reel) depend a la fois du risque empirique mesure sur
l'echantillon d'apprentissage et de la (( capacite )) de l'espace des fonctions hypothese. Plus celle-
ci est grande, plus il y a de chance de trouver une hypothese proche de la fonction cible (erreur
d'approximation faible), mais plus aussi l'hypothese minimisant le risque empirique depend de
l'echantillon d'apprentissage particulier fourni (erreur d'estimation forte), ce qui interdit d'ex-
trapoler avec certitude la performance mesuree par le risque empirique au risque reel.
En d'autres termes, l'induction supervisee doit toujours faire face au risque de (( surappren-
tissage )) (over-tting). Si l'espace des hypotheses H est trop riche, il y a de fortes chances que
l'hypothese retenue, dont le risque empirique est faible, presente un risque reel eleve. Cela est
dû au fait que plusieurs hypotheses peuvent avoir un risque empirique faible sur un echantillon
d'apprentissage, tout en ayant des risques reels tres dierents. Il n'est donc pas possible, sur la
base du seul risque empirique mesure, de distinguer les bonnes hypotheses des mauvaises. Il faut
donc restreindre autant que possible la richesse de l'espace des hypotheses, tout en cherchant a
preserver une capacite d'approximation susante.
2.6.1 L'idee generale : le reglage de la classe d'hypotheses
Puisque l'on ne peut mesurer que le risque empirique, l'idee est donc d'essayer d'evaluer le
risque reel encouru en corrigeant le risque empirique, necessairement optimiste, par un terme
de penalisation correspondant a une mesure de la capacite de l'espace d'hypotheses H utilise.
C'est la l'essence de toutes les approches de l'induction revisant le principe de minimisation
du risque empirique (l'adaptation aux donnees) par un terme de regularisation (dependant de
la classe d'hypotheses). Cette idee fondamentale se retrouve au cur de tout un ensemble de
methodes comme la theorie de la regularisation, le principe de longueur de description minimale
(Minimum Description Length Principle : MDLP), le critere d'information d'Akaike (AIC), et
d'autres methodes basees sur des mesures de complexite (par exemple telles que discutees par
[Bar91, BC91]).
Le probleme ainsi deni est connu, au moins empiriquement, depuis longtemps, et de nom-
breuses techniques ont ete developpees pour y faire face. On peut les ranger en trois categories
principales: les methodes de selection de modeles, les techniques de regularisation, et les methodes
de moyennage.
Dans les methodes de selection de modeles, la demarche consiste a considerer un espace
d'hypotheses H et a le decomposer en une collection discrete de sous-espaces embo^tes
H1 H2 : : : Hd : : : , puis, etant donne un echantillon d'apprentissage, a essayer
d'identier le sous-espace optimal dans lequel choisir l'hypothese nale. Plusieurs methodes
ont ete proposees dans ce cadre, que l'on peut regrouper en deux types :
1. Les methodes de penalisation de la complexite, parmi lesquelles gurent le principe
de minimisation du risque structurel (SRM : Structural Risk Minimization) de Vap-
nik [Vap95], le principe de Longueur de Description Minimale (MDLp : Minimum
Description Length principle) de Rissanen [Ris78] et diverses methodes ou criteres
statistiques de selection [FG94].
2. Les methodes de validation par apprentissages multiples : validation croisee et boots-
trapping.
Les methodes de regularisation fonctionnent dans le même esprit que les methodes de
selection de modeles, mis a part qu'elles n'imposent pas une decomposition discrete sur la
classe d'hypotheses. A la place, un critere de penalisation est associe a chaque hypothese,
qui, soit mesure la complexite de leur forme parametrique, soit mesure des proprietes
globales de (( regularite )), liees par exemple a la derivabilite des fonctions hypothese ou a
leur dynamique (par exemple des fonctions de haute frequence, c'est-a-dire changeant de
valeur rapidement, seront davantage penalisees que des fonctions de basse frequence).
Les methodes de moyennage ne selectionnent pas une hypothese unique dans l'espace H
des hypotheses, mais choisissent une combinaison ponderee d'hypotheses pour former une
fonction de prediction composee. Une telle combinaison ponderee peut avoir comme eet
de (( lisser )) les hypotheses erratiques (comme dans les methodes de moyennage bayesien
et le bagging), ou bien d'augmenter le pouvoir de representation de la classe d'hypotheses
si celle-ci n'est pas convexe (comme dans le boosting).
Toutes ces methodes ont generalement conduit a des ameliorations notables de performances
par rapport a des methodes (( naves )). Cependant, elles demandent d'être utilisees avec soin.
D'une part, en eet, elles correspondent parfois a une augmentation de la richesse de l'espace
d'hypotheses, donc a des risques accrus de surapprentissage. D'autre part, elles requierent sou-
vent de l'expertise pour être appliquees, en particulier parce qu'il faut regler des parametres
supplementaires. Certains travaux recents essaient pour ces raisons de determiner automatique-
ment la complexite appropriee des hypotheses candidates pour s'adapter aux donnees d'appren-
tissage.
2.6.2 La selection de modeles
Nous allons denir plus formellement le probleme de la selection de modeles qui est l'objectif
de toutes ces methodes.
Soit une sequence enchâssee d'espaces ou classes d'hypotheses (ou modeles) H1 H2
: : : Hd : : : ou les espaces Hd sont de capacite croissante. La fonction cible f peut ou non
être inclue dans l'une de ces classes. Soit h?d l'hypothese optimale dans la classe d'hypotheses
Hd, et R(d) = RReel(h?d ) le risque reel associe. Nous noterons que la sequence R(d)1d1 est
decroissante au sens large puisque les classes d'hypotheses Hd sont embo^tees, et donc que leur
capacite d'approximation de la fonction cible f ne peut que s'ameliorer.
A l'aide de ces notations, le probleme de la selection de modeles peut se denir comme suit.
Denition 2.8 (Le probleme de la selection de modele)
Le probleme de selection de modele consiste a choisir, sur la base d'un echantillon d'appren-
tissage S de longueur m, une classe d'hypotheses Hd et une hypothese hd 2 Hd telles que le
risque reel associe RReel (hd ) soit minimal.
La conjecture sous-jacente est que le risque reel associe aux hypotheses retenues hd pour
chaque classe Hd presente un minimum global pour une valeur non triviale de d (c'est-a-dire
dierente de zero et de m) correspondant a l'espace d'hypotheses Hd (( ideal )). (Voir gure 2.15).
Il s'agit donc d'une part de trouver l'espace d'hypotheses Hd ideal, et d'autre part de
selectionner la meilleure hypothese hd a l'interieur de Hd . La denition ne se prononce pas sur
ce dernier probleme. Il est generalement resolu en utilisant le principe ERM dictant de rechercher
l'hypothese de risque empirique minimal.
Pour la selection de Hd , on utilise une estimation du risque reel optimal dans chaque Hd en
selectionnant la meilleure hypothese selon le risque empirique (methode ERM) et en corrigeant
le risque empirique associe par le terme de penalisation lie aux caracteristiques de l'espace Hd .
Le probleme de selection de modele revient donc a resoudre une equation du type :
d? = ArgMin f hd 2 Hd : RREstim
eel (hd ) g
e
d (2.37)
= ArgMin f hd 2 Hd : REmp(hd ) + terme-de-penalisation g
d
L'idee generale pour implementer ces methodes de penalisation est d'avoir un algorithme d'ap-
prentissage retournant une hypothese hd candidate pour chaque classe d'hypotheses Hd (par
exemple en suivant le principe ERM), puis d'avoir un algorithme de selection de modele

choisissant le meilleur espace d'hypotheses associe (suivant l'equation 2.37). L'hypothese nale
est alors l'hypothese candidate dans cet espace.
Notons que le choix du meilleur espace d'hypotheses depend de la taille m de l'echantillon
de donnees. Plus celle-ci est grande, plus il est possible, si necessaire, de choisir sans risque
(c'est-a-dire avec une variance ou un intervalle de conance faible) un espace d'hypotheses riche
permettant d'approcher au mieux la fonction cible f .
Risque
Risque réel
Optimum
Intervalle
de confiance
Risque
empirique
H
H1 H2 H3 H4
Fig. 2.15 { La borne sur le risque reel resulte de la somme du risque empirique et d'un in-
tervalle de conance dependant de la capacite de l'espace d'hypotheses associe. En
supposant que l'on dispose d'une sequence enchâssee d'espaces d'hypotheses indices
par d et de capacite croissante, le risque empirique optimal accessible diminue avec
les d croissants (le biais), tandis que l'intervalle de conance (correspondant a la
variance) diminue. La borne minimale sur le risque reel est atteinte pour un espace
d'hypotheses approprie Hd .
2.7 Discussion et perspectives

Ce chapitre a introduit l'analyse des facteurs entrant en jeu dans l'induction, et l'etude de
divers principes inductifs raisonnables. A l'examen, ceux-ci transforment un probleme d'appren-
tissage en un probleme d'optimisation en fournissant un critere que doit optimiser l'hypothese
ideale. La plupart des methodes d'apprentissage peuvent alors être vues comme des manieres de
specier l'espace des hypotheses a considerer ainsi que la technique d'exploration de cet espace
en vue d'y trouver la meilleure hypothese. Cette vision de l'apprentissage est d'une grande force.
Elle permet de concevoir des methodes d'apprentissage, de les comparer entre elles, et même de
construire de nouveaux principes inductifs, comme ceux qui contrôlent automatiquement l'es-
pace d'hypotheses. Il est facile de se laisser seduire et de se mettre a raisonner dans les termes
de cette approche. Pourtant, en y re echissant, il s'agit la d'un cadre surprenant pour aborder
l'apprentissage.
D'une part, il y a une Nature indierente qui distille des messages, les donnees, de maniere
aleatoire, excluant par la les situations d'apprentissage organisees ou du moins bienveillantes.
D'autre part, il y a un apprenant solitaire, completement passif, qui attend les messages, et, en
general, ne fait rien avant de les avoir tous collectes. On evacue ainsi les apprentissages continus,
collaboratifs, avec une evolution de l'apprenant. De même sont exclus les apprentissages dans
des environnements non stationnaires, un comble pour une science qui devrait avant tout être
une science de la dynamique. De plus, l'apprenant cherche a être performant en moyenne (il
optimise une esperance de risque), mais il ne cherche pas vraiment a identier le concept cible.
Car dans ce cas, il aurait sans doute interêt a consacrer ses ressources aux regions de l'espace
dans lesquelles la fonction cible presente une grande dynamique (de fortes variations) et moins
la ou les choses se passent tranquillement. Cela reviendrait a avoir un espace d'hypotheses a
geometrie variable : riche dans les regions de forte dynamique et pauvre ailleurs. Par ailleurs,
le rôle des connaissances a priori, si important dans les apprentissages naturels, est ici reduit
a une expression tres pauvre, puisqu'elle ne concerne que le choix de l'espace d'hypotheses.
Finalement, les criteres de performances ne prennent en compte que l'esperance d'erreur ou de
risque, et pas du tout des criteres d'intelligibilite ou de fecondite des connaissances produites.
A la re exion, donc, on est loin d'un cadre d'analyse rendant compte de toute la diversite des
situations d'apprentissage. Pour autant, ce cadre tres epure se revele d'une grande ecacite dans
l'analyse de donnees, ce qui correspond a un vaste champ d'applications.
Ce chapitre a presente les grandes lignes de l'analyse theorique de l'induction qui permettent
d'aborder la suite de l'ouvrage. Le chapitre 17 fourni des developpements de cette theorie utiles
pour comprendre les recherches actuelles sur l'apprentissage. Ils concernent en particulier :
{ Une generalisation de l'analyse du principe ERM a des espaces d'hypotheses et a des
fonctions de perte quelconques. Il s'agit de l'analyse de Vapnik, si in uente sur les travaux
recents.
{ Une description du principe inductif par compression d'informations non decrit dans le
present chapitre. Ce principe tres original prend en compte la quantite d'informations
dans les donnes et les hypotheses, ce qui semble naturel a la re exion. En revanche il
ne s'appuie pas sur la distribution des exemples comme le principe ERM ou l'analyse
bayesienne.
{ Une introduction a l'analyse de l'apprentissage (( en-ligne )) (on-line learning) dans le-
quel l'apprenant doit reagir apres chaque nouvel exemple. Cette approche est interessante
parce qu'elle introduit de nouveaux criteres de performance sur l'apprentissage et permet
d'envisager des apprenants ayant une certaine initiative dans le choix des exemples fournis.
Le chapitre 17 se terminera, et terminera cet ouvrage, de maniere appropriee en discutant
la valeur relative des methodes inductives. Peut-on dire qu'il y en a de meilleures que d'autres?
D'ou provient le pouvoir inductif? Nous retrouverons la certaines des interrogations recurrentes
des philosophes de la connaissance.
2.8 Notes historiques et bibliographiques

Dire que l'apprentissage inductif est un probleme d'optimisation qui conjugue un principe ou
critere inductif a satisfaire au mieux et une methode de recherche dans un espace d'hypothese
est presque devenu un dogme. Faire ressortir qu'il existe essentiellement trois types de principes
inductifs : la minimisation du risque empirique (ERM), la theorie bayesienne de la decision qui
se traduit souvent par un principe de maximum de vraisemblance, et le principe de compression
maximal de l'information, ne suscite pas non plus de surprise. Pourtant, il a fallu beaucoup de
temps pour que cette vision de l'apprentissage s'impose, comme pour qu'il soit admis que ces
principes, en particulier la minimisation du risque empirique, devaient être examines pour voir
s'ils conduisaient bien a la meilleure induction possible.
La theorie bayesienne de l'apprentissage s'est developpee presque naturellement durant le

XXe siecle et en particulier depuis les annees 1960. Elle conduit a la notion d'erreur bayesienne
optimale, mais elle requiert une connaissance du modele statistique sous-jacent. Nous recom-
mandons a ce sujet la lecture des ouvrages de reference [Bis95, DHS01, Rip96, Web99].
L'analyse de la pertinence du principe ERM a ete plus longue a être percue comme necessaire
et la demarche a ete plus accidentee. Il a d'abord fallu que l'idee qu'il etait interessant detudier di-
rectement la convergence du risque empirique se fasse jour. Dans le cas des algorithmes realisant
l'ERM, cela a debouche sur les cadres PAC (Probablement Approximativement Correct) et VC
(Vapnik-Chervonenkis).
Le cadre PAC a ete introduit par le papier tres in uent de Valiant en 1984 [Val84a] dans
lequel il etudiait ce qui se revelerait un cas particulier de la convergence du risque empirique ou
l'espace d'hypotheses est celui de formules logiques et est suppose contenir le concept cible. Cela
simpliait considerablement les choses car, d'une part, le nombre d'hypotheses restait ni même
s'il pouvait cro^tre exponentiellement avec le nombre d'attributs et, d'autre part, on pouvait
n'examiner que les hypotheses de risque empirique nul. Ce cadre incluait aussi un critere de
complexite calculatoire sur l'apprentissage, imposant que la complexite reste polynomiale en un
certain nombre de parametres. Cependant, cet aspect du modele PAC qui a permis de demontrer
de nombreux theoremes de non apprenabilite (en les ramenant a des problemes de cryptographie)
est pratiquement tombe en desuetude. Par ailleurs, an de s'aranchir de la contrainte que le
concept cible doive appartenir a l'espace d'hypotheses, un cadre generalise a ete propose, appele
apprentissage agnostique. On n'en parle plus car il a ete generalise par l'approche de Vapnik.
En eet, pendant ce temps, en URSS, Vapnik et Chervonenkis, sous l'in uence de Kolmo-
gorov, etudiaient depuis les annees 1960 le probleme general de la convergence des moyennes
empiriques vers leur esperance. Ils prouverent ainsi que la convergence des esperances de risque
est equivalente a la convergence uniforme des frequences vers des probabilites sur un domaine
ni d'evenements. C'est ce qui est appele le theoreme cle de la theorie statistique de l'appren-
tissage. Les premieres bornes sur le risque reel en fonction du risque empirique furent prouvees
pour la premiere fois par Vapnik et Chervonenkis en 1974. L'analyse montra que la convergence
du risque empirique vers le risque reel fait intervenir une fonction de croissance de l'espace
d'hypotheses. Comme cette fonction est tres dicile a calculer, il est pratique de la caracteriser
par un nombre : la dimension de Vapnik-Chervonenkis. Les premiers travaux introduisant cette
mesure sont ceux de Vapnik et Chervonenkis en 1971, et, independamment, de Sauer (1972) et
de Shela (1972). L'introduction de la theorie de Vapnik et Chervonenkis s'est faite grâce a un
papier exceptionnel du (( four germans gang )) 11 [BEHW89] qui a eu un grand impact dans la
communaute de la theorie de l'apprentissage (COLT : Computational Learning Theory).
L'analyse de Vapnik, largement popularisee par son livre de 1995 ([Vap95]), a fait prendre
conscience a la communaute de l'apprentissage articiel de l'importance cruciale de la denition
et de la caracterisation de l'espace d'hypotheses. Depuis longtemps les praticiens savaient en
eet qu'il leur fallait contrôler la complexite de leur modele d'apprentissage pour ne pas tomber
victime de surapprentissage, c'est-a-dire d'apprentissage par cur sans generalisation. Depuis
1982, ils avaient admis, sous l'in uence du papier de Mitchell ([Mit82]), qu'il fallait que l'espace
d'hypotheses soit contraint par un biais. Cependant, c'est vraiment l'analyse de Vapnik qui
a fourni un cadre conceptuel complet permettant de comprendre au moins heuristiquement le
compromis entre risque empirique et capacite de l'espace d'hypotheses. Il faut cependant noter
l'in uence des papiers sur le compromis biais-variance ([GBD92]).
Pour toutes ces questions, nous reportons le lecteur aux ouvrages [CM98, Hay99, Vap95,
11. Selon l'expression de Manfred Warmuth, l'un des quatre auteurs, et un theoricien eminent et inventif.
KV94]. D'autres ouvrages sont plus techniques mais sont essentiels pour ceux qui veulent aller
plus loin dans cette etude : [AB92, AB96, DGL96, Vid97]. Un ouvrage tres interessant sur des
points de vue multiples de la theorie de l'apprentissage est [Wol95].
Resume
Ce chapitre a montre que l'induction peut-être formalisee par un jeu entre une
Nature produisant des exemples etiquetes selon une fonction cible, et un apprenant
cherchant a approcher cette fonction cible par une fonction hypothese de maniere
a minimiser l'esperance de risque appelee risque reel. Pour ce faire, l'apprenant
utilise un principe inductif lui dictant quelle hypothese il doit choisir etant donnes
les exemples d'apprentissage, et un algorithme de recherche eectif dans l'espace
d'hypotheses. Ce chapitre s'est penche sur l'analyse des principes inductifs.

Il existe trois grands principes inductifs de base : le principe de minimisation
du risque empirique qui dicte de choisir l'hypothese qui minimise le risque sur
l'echantillon d'apprentissage ; le principe bayesien qui stipule de choisir l'hypothese
minimisant l'esperance de risque, ce qui revient souvent a prendre l'hypothese dont
la vraisemblance est maximale etant donnes les exemples ; nalement le principe de
compression d'information qui prescrit de choisir l'hypothese permettant de trans-
mettre l'information contenue dans les exemples d'apprentissage de la maniere la
plus economique. Les deux premiers ont ete decrits et analyses plus en detail dans
ce chapitre. En particulier, le principe ERM se prête naturellement a une analyse
dans le pire cas, tandis que le principe bayesien, prenant en compte la distribution
a priori des fonctions cible, conduit a une analyse en moyenne.
L'une des consequences les plus remarquables de ces analyses est qu'elles soulignent
l'importance cruciale de l'espace d'hypotheses considere dans la conance que l'on
peut accorder aux inductions realisees. Il faut un espace d'hypotheses susamment
riche pour pouvoir approcher la fonction cible d'assez pres, mais il ne faut pas
qu'il le soit trop sous peine de conduire a des hypotheses apparemment bonnes sur
les donnees d'apprentissage, mais mauvaises en realite. La mise en evidence de ce
compromis a amene a reconsiderer les principes inductifs pour en faire des principes
inductifs avec contrôle et ajustement automatique de l'espace d'hypotheses.
72
Premiere Partie : Les Fondements de l'Apprentissage
Chapitre 3
L'environnement methodologique de
l'apprentissage
D'un point de vue conceptuel, l'apprentissage se joue entre un espace de descrip-

tion des objets d'entree et un espace d'hypotheses. Le choix d'un principe inductif
permet d'evaluer, a partir des exemples, la qualite des hypotheses et de prescrire
l'hypothese theorique optimale. Pour qu'une methode d'apprentissage soit eective,
il faut specier un algorithme de recherche dans l'espace des hypotheses qui tentera
d'identier une hypothese optimale ou du moins de s'en approcher.
Ce chapitre a pour objectif de fournir les bases permettant la realisation d'une methode
d'apprentissage en partant du probleme du choix de la representation des entrees et
de celle des hypotheses, puis en dressant un panorama des techniques de recherche
et d'optimisation utilisables dans le contexte de l'apprentissage, enn en examinant
les methodes d'evaluation et de validation des resultats obtenus a l'issue de l'ap-
prentissage. Le probleme du test et de la comparaison empirique des algorithmes est
egalement discute.
Ce chapitre se clôt en dressant une typologie des methodes adaptees a chaque classe
de problemes.
74
st-il facile de denir un cygne ou une oie? On pourrait penser que oui. Les natura-
E listes ont accumule des connaissances sur cette question et les ont largement vulga-
risees. Essayons donc avec notre dictionnaire usuel. Voici par exemple ce qui se trouve
dans le Petit Larousse, edition 2000.
Cygne : oiseau palmipede anseriforme au long cou souple, migrateur.
Oie : oiseau palmipede massif au long cou et au bec large.
Anseriforme : oiseau, generalement palmipede, a l'allure de canard, mais dont certaines especes
sont des echassiers a bec crochu, tel que le kamichi et les anatides. Les anseriformes forment
un ordre.
Anatide : oiseau palmipede au corps massif et au bec aplati, tel que le canard, l'oie, le cygne.
Les anatides forment une famille de l'ordre des anseriformes.
Canard : oiseau palmipede de la famille des anatides, bon voilier et migrateur a l'etat sauvage.
Le canard cancane.
Kamichi : oiseau echassier des marais et des prairies humides de Patagonie, aux ailes armees
de deux eperons. Longueur : 90 cm, genre Chauna, ordre des anseriformes, famille des
anhimides.
Anhimide ... (n'est pas une entree dans ce dictionnaire.)
Bon... a moins que l'on soit dans un marais de Patagonie face a un echassier aux ailes armees,
tout cela n'est pas tres utile pour identier un oiseau. Ces denitions circulaires masquent les
donnees et les concepts sous des niveaux d'abstraction tellement dierents qu'en pratique elles
sont inoperantes. De plus, la variete des contextes (des biais d'apprentissage) est egalement
importante : il faut au lecteur de grandes connaissances a priori, et tres bien organisees. Par
exemple la notion de migrateur est importante dans ces denitions et elle est supposee connue,
alors que ce n'est pas une evidence a l'observation d'un oiseau... et a quoi peut bien servir de
conna^tre le mot designant le cri du canard pour caracteriser cet animal?
Alors, comment ecrire un programme qui saurait apprendre a distinguer un cygne d'une
oie? La reponse est qu'il faudra être plus modeste, c'est-a-dire soigneusement delimiter un cadre
operationnel par la denition de biais d'apprentissage. Rappelons l'exemple de l'avant-propos :
l'univers est reduit a un lac sur lequel on impose que seulement deux especes d'oiseaux puissent
nager. Les observations aussi sont limitees a la taille et a la couleur. On ne cherche pas a denir
la nature du cygne ou de l'oie de maniere universelle : on n'a pour ambition que d'apprendre a
les distinguer sous des conditions xees de maniere stricte.
Prenons maintenant sur un oiseau l'ensemble des attributs suivants :
la taille ;
le fait qu'il vole ou non ;
la couleur de son bec ;
son chant ;
son genre. 1
Ainsi la liste (152 cm, vole, (( couac )), bec jaune, genre Anatidae) nous indiquera, l'hi-
ver dans nos regions, un cygne chanteur (Cygnus Cygnus L.) et la liste (110 cm, ne vole
pas, (( krrr )), bec noir, genre Aptedonytes) se rapporte plut^ ot a un manchot, mais n'est
pas assez complete pour que l'on sache de quelle espece il s'agit.
Une autre question : est-il facile de denir une carte a jouer? Mais oui. Il sut de noter sa cou-
leur et son rang, qui peuvent prendre respectivement leur valeurs dans les domaines f; ~; }; |g
1. Dans la hierarchie de Linne, cette variable est au dessus de l'espece et au dessous de la famille, elle-même au
dessous de l'ordre.
Chapitre 3 L'environnement methodologique de l'apprentissage 75
et fA; R; D; V; 10; 9; 8; 7; 6; 5; 4; 3; 2g. Cette denition est parfaite, puisque les cartes a jouer sont
des objets dont le sens est par nature completement decrit par ces deux caracteristiques. En
revanche, aucun oiseau ne porte le nom de son espece sur son plumage.
C'est que les noms donnes aux formes de la nature sont symboliques : ils sont une abstraction
qui regroupe des individus selon des contrastes avec d'autres individus. Ces concepts ont ete
extraits d'une multitude de descripteurs souvent numeriques, comme la taille, ou un peu plus
abstraits comme la couleur, ou tres elabores, comme le fait d'être migrateur ou non. Autrement
dit, les connaissances sur les individus doivent être symbolisees si l'on veut en tirer prot pour
en extraire une denition operatoire.
Cette introduction n'a pour but que de rappeller que l'apprentissage articiel doit evidemment
se poser le probleme de la symbolisation ou de la representation des connaissances, qui est comme
on le sait une des questions centrales de l'intelligence articielle. Cette question est plus aisee
a resoudre pour des donnees (( articielles )) comme les cartes a jouer que pour des donnees
naturelles, evidemment plus interessantes.
Le plan de ce chapitre
Ce chapitre est centre sur la nature de la representation des connaissances pour l'apprentis-
sage et sur la facon d'utiliser ces representations.
Il y a en pratique deux problemes qui se posent d'entree :
Comment representer les objets?
Comment representer les hypotheses faites par le programme d'apprentissage?
Ils seront traites dans les deux premieres parties de ce chapitre.
Mais les aspects methodologiques generaux de l'apprentissage ne se limitent pas a ces deux
problemes. Une fois choisies la maniere de representer les objets et celle de formuler les hy-
potheses, il se pose la question suivante :

Etant donne l'ensemble des hypotheses et un echantillon d'apprentissage, comment trouver
la meilleure hypothese?
Nous avons vu au chapitre 2 que la notion de qualite d'une hypothese pouvait être abordee de
diverses manieres. Nous etudierons dans la troisieme partie par quelles techniques d'optimisation
on peut rechercher la meilleure, sans prejuger de la mesure de qualite employee.
Le dernier probleme general est celui de l'evaluation de l'hypothese trouvee. Même en sup-
posant l'etape precedente parfaitement realisee, comment estimer la qualite veritable de cette
hypothese? Cette question sera traitee en quatrieme partie de ce chapitre. En particulier, nous
verrons au paragraphe 3.4.4 une illustration du fait presente au chapitre precedent : si le critere
choisi est la minimisation du risque empirique (ERM ), la complexite de la classe d'hypotheses
choisie est un parametre important a ma^triser pour eviter le sur-apprentissage.
Deux autres aspects seront abordes dans ce chapitre : celui du pretraitement des donnees
d'apprentissage, qui a pour objet de mettre les algorithmes dans des conditions les meilleures pos-
sibles et celui de la selection des attributs qui traite de la reduction de l'espace de representation
des objets.
Notations utiles pour le chapitre
P (X = V RAI ) ou P (X ) La probabilite que l'evenement X soit V RAI

X L'espace de representation des objets (des formes)
U L'espace de supervision (des sorties desirees)
S L'echantillon d'apprentissage (ensemble ou sequence d'exemples)
T L'echantillon de test
V L'echantillon de validation
m La taille d'un echantillon d'apprentissage (le nombre d'exemples)
zi = (xi; ui ) Un exemple (element d'un echantillon d'apprentissage)
xi La description d'un objet dans un espace de representation
ui La supervision, ou sortie desiree, d'un exemple

f :X !U La fonction cible (celle que l'on cherche a apprendre)
C L'ensemble des classes
C Le nombre de classes
!i Une classe de C
ij La surface separatrice entre les classes !i et !j
H L'espace des hypotheses d'apprentissage
h2H Une hypothese produite par un apprenant
l(f; h) La perte (distance) entre la fonction cible et une hypothese
REmp(h) Le risque empirique d'une hypothese
RReel (h) Le risque reel d'une hypothese
3.1 L'espace des donnees d'apprentissage

L'apprentissage s'appuie sur des donnees (des objets) qu'il faut representer. Suivant le type de
ces donnees, certaines representations sont plus ou moins adaptees. Par ailleurs, toute description
des donnees suppose deja un pretraitement, ne serait-ce que dans le choix des attributs de
description ou la maniere de faire face a des donnees imparfaites.
3.1.1 La representation des objets de l'apprentissage

Les connaissances sur les donnees elles-mêmes sont symbolisees grâce a un espace de repre-
sentation des donnees note X . C'est dans cet espace que s'eectue la description des objets. Dans
l'exemple d'introduction de ce livre, les oies et les cygnes sont representes par deux chires : leur
taille et leur niveau de gris. Par consequent chaque objet (chaque oiseau) est represente par deux
valeurs numeriques, ou par un point du plan, ou encore par un vecteur de IR2 . Dans l'exemple
en tête de ce chapitre, un oiseau est represente dieremment : par cinq attributs de natures
diverses.
Le premier exemple est tres frequent : la description d'un objet par d valeurs numeriques,
donc l'utilisation de X = IRd comme espace de representation, permet en eet d'utiliser des
outils analytiques, geometriques, probabilistes, etc.
Il y a un autre cas courant : celui ou les donnees sont representees par un vecteur binaire.
Ceci correspond au cas ou l'on decrit les objets a l'aide d'une serie de tests et ou chaque objet
est V RAI ou FAUX vis-a-vis de chaque test. Si l'on veut traiter des problemes complexes,
il faut naturellement un grand nombre de descripteurs binaires, parfois des centaines ou des
milliers. Les proprietes de cet espace sont formalisees par la logique booleenne ou logique des
propositions. La structure algebrique de ces espace est forte, mais les notions de continuite et
de densite de probabilite sont non denies.
Denition 3.1 (Espace de representation)
L'espace de representation est note X et ses elements sont appeles donnees, instances ou objets 2 .
Un exemple z i = (xi ; ui ) est un objet associe a sa supervision.
Les elements de X peuvent souvent être detailles comme un ensemble de d attributs ou
descripteurs 3 :
x = fx1 ; : : : ; xi; : : : ; xdg
Nous emploierons aussi la notion de distance sur l'ensemble des valeurs que peut prendre un
attribut. Rappelons la denition de ce terme :
Denition 3.2 (Distance)
Une distance sur un espace E E est une application de E E dans IR+ si et seulement si
elle verie les proprietes :
(x; y) = 0 () x = y
8 x; y 2 ; (x; y) = (y; x) (symetrie)
8x; y; z 2 (x; y) (x; z) + (z; y) (inegalite triangulaire)
L'inegalite triangulaire n'est pas toujours facile a denir dans les applications pratiques. Une
application de E E dans IR+ qui verie au plus les deux premiers axiomes est parfois appelee
dissemblance. Par abus de langage, le mot distance est souvent employe indieremment pour
ces deux concepts, en particulier en apprentissage. Nous serons par la suite aussi rigoureux que
possible dans l'utilisation de ces deux termes.
Nous allons maintenant passer en revue les types d'attributs auxquels nous aurons aaire
par la suite, les cas binaires et numeriques etant les plus naturels et les plus simples.
3.1.1.1 La nature des attributs
Nous nous interessons dans la suite de cet ouvrage aux attributs des types suivants :
Binaire
L'objet x est decrit par d attributs xi dont chacun vaut 1 ou 0, autrement dit V RAI ou
FAUX .
X = fx1 ; : : : ; xi; : : : ; xdg = f0; 1gd = IBd
Dans le cas ou les d attributs de X sont tous binaires, les donnees peuvent être representees
par une matrice binaire (m d). Cette representation a des interpretations mathematiques
2. Le terme (( donnees )) est vague, mais fait le lien avec l'apprentissage pour la fouille de donnees. Le terme (( instance ))
est un anglicisme imprecis (souvent un objet, parfois un exemple).
3. En reconnaissance des formes, le terme (( parametre )) est parfois employe, comme mauvaise traduction de feature.
diverses : logique, algebrique (construction d'un treillis de Galois : chapitre 4, paragraphe 4.5),
topologique (notion de distance), informatique (bases de donnees, voir chapitre 15), etc.
Par exemple, pour quelques especes d'animaux :
vole a des plumes pond des ux
oie 1 1 1
ornithorynque 0 0 1
rhinolophe 1 0 0
cygne 1 1 1
Nominal (ou categoriel)
Par denition, un attribut de ce type appartient a un ensemble ni et non ordonne 4 . Par
exemple la (( couleur )) f; ~; }; |g d'une carte a jouer est un attribut nominal dans la
plupart des cas : d'une part elle ne peut prendre que quatre valeurs et d'autre part il n'y
a pas d'ordre sur les couleurs. De même, une piece au jeu d'echecs peut être de six formes
dierentes, mais, grosso modo, chacune peut s'emparer de chaque autre : elles n'ont pas
d'ordre naturel de ce point de vue.
Dans certains cas, une distance ou une dissemblance peut se denir sur l'ensemble des
valeurs que peut prendre un attribut nominal. Par exemple, l'ensemble des sons (ou
phonemes) de la langue francaise est un ensemble nominal : il n'est pas ordonne, mais
on sait par exemple que le son /a/ est plus proche du son /in/ que du son /k/. Dans cet
exemple, la propriete de l'inegalite triangulaire n'est pas veriee.
Nominal arborescent
Il existe parfois une hierarchie naturelle, mais pas un ordre total, sur les valeurs que peuvent
prendre un attribut nominal. Par exemple, les groupes sanguins et facteurs rhesus sont au
nombre de huit :
fO+; O;; A+; A;; B +; B ;; AB +; AB ;g
Du point de vue de la compatibilite pour la transfusion, O+ est (( superieur )) a A+, B +
et AB +, puisque du sang O+ peut être tranfuse aux trois autres groupes et pas l'inverse.
En revanche, du point de vue de cette relation d'ordre, on ne peut rien dire sur le couple
(A+, B +) ni sur le couple (A+, A;).
Un autre exemple est celui de la couleur, donne en gure 3.1. Nous l'utiliserons au chapitre
4.
Nominal totalement ordonne
Il est en realite souvent possible de trouver une relation d'ordre sur un attribut nominal.
La question est de savoir si elle est utile au probleme ou non. Par exemple, si on s'interesse
a l'attribut couleur dans un catalogue de voitures, une relation d'ordre semble dicile
a denir (le bleu sprint est-il superieur ou inferieur a l'orange calypso ?). En revanche,
en astrophysique, la couleur est caracterisee par une longueur d'onde dans un certain
intervalle : c'est un attribut numerique totalement ordonne, donc un intervalle de IR.
De même, dans certains jeux de cartes, les couleurs sont rangees dans un ordre decroissant :
le l'emporte sur le ~ qui l'emporte sur le } qui l'emporte enn sur le |.
Un attribut nominal totalement ordonne est assimilable a un intervalle de IR ou de IN et
peut donc être muni d'une distance.
4. Un attribut est ordinal quand il appartient a un ensemble ordonne, mais sur lequel on ne peut pas denir une
distance, comme medaille 2 for; argent; bronzeg. La confusion entre les termes (( nominal )) et (( ordinal )) est
frequente.
Couleur
Couleur-chaude Couleur-froide
Rouge Jaune Vert Bleu
Fig. 3.1 { Une description arborescente possible pour l'attribut Couleur.

Sequenciel nominal
Un texte francais est une sequence composee a partir d'un ensemble (un alphabet) d'une
centaine de caracteres : les cinquante-deux lettres minuscules et majuscules, l'intervalle
(le blanc), quelques lettres accentuees, les signes de ponctuation, parfois des abreviations
comme :-) ou ¿, etc. E videmment, l'ordre de ces elements nominaux est essentiel : la
sequence (( Le commandant Cousteau. )) et la sequence (( Tout commenca dans l'eau. ))
sont dierentes, bien que composees exactement des mêmes lettres 5 .
On sait munir l'ensemble des valeurs que peut prendre un tel attribut d'une distance,
en particulier quand l'ensemble des elements qui composent la sequence (l'alphabet) est
lui-même muni d'une distance.
Sequenciel numerique
La cote boursiere de tel ou tel titre est un exemple d'attribut sequenciel numerique :
a chaque instant de temps signicatif, une valeur numerique est donnee. On peut ainsi
produire des sequences de plusieurs centaines de chires representant l'evolution d'un
cours sur une annee.
Le cas de vecteurs d'attributs arrivant en sequence est typique des problemes de traitement
du signal, comme la parole : chaque centieme de seconde est caracterise apres analyse
spectrale par un element de IRd , d valant typiquement entre 10 et 20.
3.1.1.2 Representations homogenes et representations mixtes
L'espace de representation X est souvent compose de d attributs de la même nature, generale-
ment dans ce cas binaires ou numeriques. Il existe aussi des espaces de representation composes
de plusieurs attributs sequenciels nominaux : par exemple dans les problemes d'apprentissage de
traducteurs, ou l'on doit disposer de couples de phrases.
Dans les cas precedents, X est homogene : ses d attributs sont tous de même nature. Beaucoup
de methodes d'apprentissage ne peuvent s'appliquer que sur des donnees decrites dans un espace
de representation homogene.
Mais le cas le plus general est celui ou l'espace de representation X = fx1 ; : : : ; xi ; : : : ; xd g
est mixte, autrement dit compose d'attributs de natures dierentes. C'est le cas de la descrip-
tion d'un oiseau donnee ci-dessus pour un cygne chanteur : (152 cm, vole, (( couac )), bec
5. Dans ce cas precis, les espaces ne sont pas comptes, les accents ou cedilles non plus et les caracteres minuscules
et majuscules ne sont pas distingues.
jaune, genre Anatidae). Le premier attribut est numerique, le second est binaire, le troisieme
sequenciel et le dernier hierarchique.
De même le diagnostic sur un patient entrant dans un hôpital porte sur une representation
non homogene de son etat. Il pourra être decrit par exemple par les attributs suivants :
Vaccine contre la diphterie? Et si oui, il y a combien de temps?
Temperature?
Groupe sanguin?
Description du type d'aection cutanee?
Region et type de douleur?
:::
Peu de methodes d'apprentissage sont capables d'extraire un concept obtenu par un appren-
tissage coordonne sur des attributs de natures diverses. La plupart du temps, un concept appris
a partir d'exemples mixtes est une combinaison booleenne de proprietes binaires extraites des
attributs.
3.1.2 Le pretraitement des donnees

On eectue souvent un pretraitement (un nettoyage, pour reprendre les termes de l'ECD
donnes dans l'avant-propos) des donnees avant de les utiliser dans l'algorithme d'apprentissage.
Les dierents problemes a considerer incluent :
Le choix des attributs de description. Nous avons vu lors du chapitre 1 a propos de la
reconnaissance de caracteres comment dierents choix sont possibles et peuvent avoir une
in uence considerable sur la diculte d'apprendre.
Le traitement du bruit. Les donnees disponibles sont rarement decrites parfaitement. Sou-
vent les defauts des instruments de mesure articiels ou humains provoquent des erreurs.
Plus grave, il arrive aussi dans le cas de l'apprentissage supervise que les reponses de
l'oracle elles-mêmes soient erronees. On qualie ces types d'erreurs de bruit de descrip-
tion et de bruit de classication. Finalement, il est frequent que les donnees ne soient pas
decrites completement, et qu'il y ait des valeurs manquantes a certains attributs. C'est le
cas general pour les donnees medicales : seul un certain nombre d'examens cliniques sont
pratiques sur chaque patient en fonction de sa pathologie, des contraintes de circonstance,
etc. Ces valeurs manquantes posent souvent des problemes diciles a resoudre (voir par
exemple le cas de l'apprentissage d'arbres de decision au chapitre 11).
Les donnees imprecises. Les donnees peuvent faire l'objet de descriptions vagues : par
exemple : (( cet oiseau est gris )). Il faut savoir representer de tels attributs, qui apportent
une certaine information. Il faut ensuite savoir les utiliser, en particulier pour les mettre
en rapport avec les connaissances sur le monde et les hypotheses.
Examinons tour a tour plus precisement ces problemes.
x1 x1
x2 x2 x2
x3 x3 g1(x1, x2, ..., xd)
(a) (b)
gn(x1, x2, ..., xd)
xd xd xd
Fig. 3.2 { En (a) la selection d'attributs retient les attributs les plus pertinents parmi les d
attributs de l'espace d'entrees. En (b), l'extraction d'attributs transforme les attributs
de l'espace d'entree, ici par une fonction de combinaison g, pour en construire de

nouveaux en nombre restreint.
3.1.2.1 Le choix des attributs de description des donnees

Generalement le choix des attributs vise a diminuer le nombre des descripteurs an de faciliter
l'apprentissage sans nuire a la qualite du resultat 6 . On distingue deux grandes approches :
La selection d'attributs consiste a eliminer les attributs les moins pertinents pour l'appren-
tissage. Le but est de diminuer la dimensionnalite du probleme qui est a la fois une source
d'imprecision et un handicap calculatoire. Si on possede une description des donnees par
un ensemble de D attributs, le probleme est de chercher un sous-ensemble de d attributs
qui preserve au mieux les informations necessaires a l'algorithme d'apprentissage.
L'extraction d'attributs reduit la dimensionnalite de l'espace d'entree en appliquant des
transformations, lineaires ou non, aux attributs initiaux.
Ces deux approches sont fondees sur l'optimisation d'un certain critere J que nous ne
precisons pas pour le moment. Dans le cas de la selection d'attributs, ce critere s'applique a
tous les sous-ensembles d'attributs possibles parmi les D attributs initiaux, et l'on cherche le
sous-ensemble Xd de dimension d D optimisant J :
J (Xd) = XMax
2Xd
J (X )
Dans le cas de l'extraction d'attributs, le critere traduit la qualite des transformations pos-
sibles des D attributs initiaux, et l'on cherche la transformation maximisant ce critere :
J ( ) = Max
2
J ((X ))
ou est l'ensemble des transformations potentielles.

Le critere J est generalement base sur une mesure de distance ou de similarite entre distri-
butions, qui a leur tour requierent une mesure de distance ou de similarite entre objets. Pour
plus de details sur ces mesures, nous renvoyons le lecteur a [Web99] chapitre 8.
6. Notons cependant que l'on peut imaginer au contraire de construire de nouveaux attributs qui viendront s'ajouter
aux attributs initiaux. C'est ce qui est mis en jeu dans les techniques a base de fonctions noyaux, et en particulier
dans la technique des separateurs a vastes marges (SVM). Nous renvoyons le lecteur au chapitre 9 pour plus de
details.
3.1.2.2 La selection d'attributs

Si l'on possede une description des donnees par un ensemble de D attributs, le probleme de la
selection d'attributs consiste a chercher un sous-ensemble de d attributs qui preserve au mieux
les informations necessaires a l'algorithme d'apprentissage. Cette technique sera de nouveau
evoquee un peu plus loin au paragraphe 3.1.2.3 a l'occasion de la distinction entre lter methods
et wrapper methods.
Au fond, on est a peu pres dans la même situation que celle du reglage des parametres
d'un algorithme (voir le paragraphe 3.4.4) : si l'on considere l'algorithme d'apprentissage comme
parametre par le sous-espace de representation choisi, la question est de trouver le meilleur com-
promis entre la complexite, mesuree ici par la valeur de d, et l'ecacite, qui est la performance
de l'algorithme dans l'espace de dimension reduite de D a d.
Il y a deux dicultes au probleme de la selection d'attributs :
La premiere est qu'en general on recherche une methode independante de tout algorithme,
ceci pour ne pas faire dependre la representation des connaissances des choix operationnels
qui suivront. Ce n'est pas toujours le cas : on peut parfois être xe sur le choix d'un
algorithme et essayer de simplier les donnees sans nuire a ses performances. Mais en
principe on doit trouver une facon generique de mesurer la qualite d'un sous-ensemble
d'attributs par un critere J . Ce n'est pas un probleme evident. Dans le probleme de
classication, diverses mesures absolues de separabilite des classes ont ainsi ete denies
par de nombreux auteurs ([Web99]).
La seconde diculte est qu'il y a d! (DD;! d)! sous-ensembles d'attributs de dimension donnee
d et au total 2D . Il est hors de question de mesurer sur chacun un critere de separabilite ou
la mesure de performance d'un algorithme particulier. On pourrait penser que la structure
particuliere de cet espace (l'ensemble des sous-ensembles d'un ensemble ni) permet d'uti-
liser des methodes approximatives ecaces, mais il faut être prudent a ce sujet, comme le
montre l'exemple qui suit.
Un exemple
Considerons le probleme d'apprentissage de regle de classication sur un ensemble de cinq
points en dimension D = 3 donne a la gure 3.3. Il est facile de voir que les deux classes
(representees par les symboles et ) sont bien separees, au moins sur cet ensemble d'ap-
prentissage. Denissons un critere J , independant de tout algorithme, pour caracteriser cette
propriete. Admettons que si deux points de classes dierentes sont tres proches, une petite region
autour d'eux va être (( neutralisee )), c'est-a-dire que tous les points d'apprentissage qui y sont
situes seront ignores. Le nombre de points restants est alors la valeur de J .
Puisque la separation est parfaite en dimension 3, le critere vaut donc J = 5 au depart.
Si on choisit d = 2, les gures 3.4 montrent les projections des donnees dans les trois sous-
espaces possibles et la valeur correspondante de ce critere (les points (( neutralises )) sont entoures
d'un cercle hachure). On constate que le meilleur sous-espace est (y; z ), avec une valeur J = 5
pour le critere. Les sous-espaces (x; y) et (x; z ) ont la valeur J = 3.
Pour d = 1, les gures 3.5 montrent que le meilleur axe est x et que les deux plus mauvais
sont y et z . Par consequent, l'algorithme glouton qui consiste a choisir la coordonnee la plus
ecace seule, puis le couple le plus ecace comprenant cette coordonnee, serait en echec sur cet
exemple, puisque le couple de coordonnees le plus ecace est constitue des deux coordonnees
les moins ecaces.
Un grand nombre de techniques, qui relevent de variantes adaptees de l'optimisation com-
binatoire, ont ete proposees pour selectionner ecacement les attributs, y compris pour xer la
valeur de d comme le meilleur compromis [Web99].
y

x
z
Fig. 3.3 { A trois dimensions, le critere vaut 5.
y z z

x y x
Fig. 3.4 { A deux dimensions, le meilleur sous-espace est (y; z ), avec une valeur 5 pour le
critere. (x; y) et (x; z ) lui donnent la valeur 3.

x
y
z
Fig. 3.5 { A une dimension, le meilleur sous-espace est l'axe x, avec une valeur 2 pour le
critere. Les axes y et z ont la valeur 1.
Si les methodes classiques de selection d'attributs sont aisees a trouver dans la litterature
portant sur la reconnaissance des formes ou sur la fouille de donnees (data mining), il est une
technique issue de l'apprentissage articiel interessante et peu connue qui s'applique dans le
cas supervise, en particulier quand les donnees sont decrites par de nombreux attributs dont la
plupart ne sont pas pertinents. Il s'agit de la methode winnow 7 dite aussi de gradient exponentiel.
Pour plus de details sur les methodes de gradient, on peut se reporter au chapitre 9. Une
autre technique peu decrite fait appel a la theorie des ensembles approximatifs (rough sets)
developpee par Pawlak en 1985 [Paw85] et [Mod93]. L'idee est de decrire d'abord les donnees
par un ensemble d'attributs binaires, puis de voir combien d'entre eux peuvent être retires sans
nuire a la discernabilite des donnees.
La methode recente des (( couvertures de Markov )) (Markov blankets) ([KS96]) generalise
cette approche a des variables discretes. Pour chaque variable, on cherche l'ensemble (la (( cou-
verture ))) des variables dont la connaissance rend inutile celle de la variable en question.
7. (( Vannage )), comme par exemple dans l'expression to winnow away the cha from the grain, (( s
eparer la balle
du grain )).
3.1.2.3 L'extraction d'attributs

L'extraction d'attributs transforme l'espace d'entree en remplacant les attributs d'entree par
un ensemble plus petit correspondant si possible aux regularites sous-jacentes. On distingue sou-
vent les approches par transformations lineaires de l'espace d'entree de celles par transformations
non lineaires. Parmi les premieres, les plus usuelles sont :
L'analyse en composantes principales, dont le but est d'identier un petit ensemble de
variables decrivant les donnees en minimisant la perte d'information. Cette derniere est
mesuree par la variation dans l'echantillon de donnees, a travers une matrice de covariance
ou de correlation. Cette methode ne prend pas en compte la classe des exemples : c'est une
technique non supervisee.
La methode d'analyse en composantes principales communes prend au contraire en compte
la classe des exemples et s'appuie sur une mesure du maximum de vraisemblance ou de

l'ecart aux moindres carres.
Les methodes d'extraction d'attributs par transformations non lineaires sont moins em-
ployees. Parmi elles gurent :
La methode des cartes auto-organisatrices de Kohonen, qui utilise une sorte de reseau
connexionniste dans une approche non supervisee.
Des methodes issues des recherches sur les separateurs a vastes marges (SVM). Nous
renvoyons le lecteur interesse a [SBE99], au chapitre 20 8 .
L'analyse en composantes independantes (Independent Component Analysis, ICA), qui
est une technique recente connaissant un grand developpement. Elle s'applique dans le
cas ou l'on suppose que les donnees proviennent de plusieurs sources independantes, com-
binees par une matrice de melange. Tandis que l'analyse en composantes principales impose
seulement une independance des donnees jusqu'a l'ordre deux (mais une orthogonalite des
variables), l'analyse en composantes independantes suppose une independance statistique
des sources, sans contrainte d'orthogonalite. (Voir [HKO01], ou bien le chapitre 10 de
[Hay99] pour une introduction).
Le chapitre 6 de [CM98] est interessant a consulter a ce sujet, de même que les chapitres 8 et
10 de [Hay99].
Il n'est pas evident que le choix des attributs de description doive se faire prealablement a
l'apprentissage. Cela suppose que le critere de choix est a priori correct, independamment de l'al-
gorithme l'apprentissage. C'est pourquoi certaines methodes utilisent le processus d'apprentis-
sage lui-même pour le choix des attributs. On peut ainsi imaginer une procedure d'apprentissage
(par exemple une induction d'arbre de decision) qui selectionne les attributs les plus informatifs,
puis utilise ceux-ci dans le cadre d'une autre methode d'apprentissage. On peut aussi utiliser
une procedure de selection brutale en explorant systematiquement les sous-ensembles d'attri-
buts possibles pour determiner celui qui permet d'obtenir les meilleurs resultats. Cette derniere
procedure est evidemment en general tres coûteuse. Il faut donc distinguer les methodes de choix
a priori de celles qui eectuent ce choix en utilisant l'algorithme d'apprentissage. Les premieres
s'appellent les methodes de ltrage (lter methods), les secondes methodes d'enveloppage (wrap-
per methods), ce dernier mot pour souligner que l'apprentissage est inclus dans le processus de
choix.
8. L'analyse en composante principale par fonctions noyaux.

3.1.2.4 Le traitement du bruit dans les donnees
Les bases de donnees dans lesquelles on essaie de decouvrir des regularites sous-jacentes
a l'aide de techniques d'apprentissage articiel sont rarement parfaites, c'est-a-dire complete-
ment et parfaitement decrites. Non seulement les donnees peuvent comporter des erreurs de
description ou d'etiquetage, être imprecises, mais elles sont souvent inhomogenes, resultant de
plusieurs sources rassemblees dans des contextes dierents. Le plus souvent aussi, elles n'ont pas
ete constituees dans le but d'être analysees par une machine 9 . Il arrive aussi que des valeurs ne
fournissent que des informations sur des contingences externes au probleme etudie. Une banque
a ainsi eu la surprise de decouvrir recemment que plus de 75 % de ses clients etaient nes le 11
novembre 1911. Il etait en eet plus rapide (et sans importance apparente) pour les operateurs
remplissant les ches de taper (( 111111 )). Il faut egalement tenir compte de conventions impli-
cites, telles que signaler une date manquante par (( 9999 )), ou un poids manquant par la valeur
(( ;1 kg )). Sans precautions, il est facile d'obtenir des resultats errones et, ce qui est pire, sans
que personne ne s'en apercoive.
Le traitement du bruit dans les donnees n'est pas un probleme facile a resoudre, simplement
parce qu'il n'est pas facile de distinguer ce qui est le resultat d'une erreur ou d'une variation non
signicative d'une observation authentique. Les methodes usuelles reposent sur des tests statis-
tiques du niveau de pertinence. Des outils de visualisation des donnees peuvent être precieux
dans la detection d'anomalies. Cependant rien ne remplace l'avis eclaire d'un expert et la ma^trise
des phenomenes a la source des donnees.
Il faut aussi noter que le bruit n'est pas toujours une mauvaise chose pour l'apprentissage.
Au contraire, il peut arriver que l'on introduise volontairement du bruit dans les donnees an de
faciliter l'apprentissage de vraies generalisations au lieu de d'apprendre par cur les donnees sans
en induire les regularites. L'introduction de bruit agit alors comme un facteur de regularisation
(voir le chapitre 17 section 17.2.2).
3.1.2.5 La discretisation de donnees continues

Certains algorithmes d'apprentissage, particulierement les algorithmes symboliques, sont in-
capables de traiter directement des attributs a valeur continue. Il est necessaire de les transformer
en attributs a valeur discrete. Une autre raison pour discretiser un attribut a valeur continue
provient de ce que la distribution des valeurs peut ne pas être uniforme ou gaussienne, alors
que la plupart des algorithmes en font la supposition (parfois implicite et meconnue de l'utilisa-
teur). Il faut alors discretiser en intervalles de distributions correspondants a des distributions
uniformes ou gaussiennes.
Les methodes de discretisation sont nombreuses (par segmentation, par mesures d'entropie,
etc.) et souvent dediees a un contexte d'utilisation particulier. Nous renvoyons le lecteur aux pu-
blications sur le sujet, particulierement dans le domaine de la fouille de donnees (Data Mining) :
[HK01, WF99].
3.1.2.6 La description des donnees imprecises

L'une des methodes les plus utilisees pour decrire des donnees imprecises est la logique oue.
Nous renvoyons a [BM94] pour plus de details.
9. Il arrive parfois que les valeurs manquantes soient de fait plus informatives que les autres dans la mesure ou
elles revelent l'interpretation du praticien (par exemple en medecine les champs manquants susent souvent a
determiner le diagnostic).
3.2 L'espace des hypotheses d'apprentissage

Le chapitre 1 a souligne l'utilite de denir un espace d'hypotheses an de ne pas avoir a
representer les concepts decrivant les donnees par des descriptions en extension, c'est-a-dire par
des listes d'exemples. L'espace H des hypotheses, deni par le langage des hypotheses LH , permet
le recours a une description en intension, compacte et permettant d'etablir naturellement des
liens avec les autres connaissances disponibles. Le premier probleme est de savoir representer les
connaissances, donc de trouver un langage approprie au contexte et a la tâche. Le second est
de savoir comment mettre en relation des hypotheses et des donnees. C'est ce que l'on appelle
souvent le probleme de l'appariement (matching).
3.2.1 Le probleme general de la representation des connaissances
Les representations des connaissances en intelligence articielle ne se font pas en langage
naturel, pour des raisons evidentes. On cherche plutôt des representations a la fois expressives
et concises, permettant d'exprimer tout ce que l'on desire de maniere succincte, non ambigue,
independante du contexte et ecace, c'est-a-dire se prêtant naturellement aux raisonnements
desires. Plusieurs types de representations ont ete developpes pour repondre a ces exigences. Il
est interessant de les comparer du point de vue de l'apprentissage.
1. Quels types de regularites ou de connaissances veut-on representer?
Des categories ou classes ou concepts.
Des probabilites d'appartenance a une categorie.
Des ontologies, c'est-a-dire des classes organisees hierarchiquement.
Des regles d'association, des re exes.
Des dependances causales.
Des descriptions relationnelles.
Des evolutions temporelles.
:::
2. Quelles sont les caracteristiques des entrees disponibles?
Entrees perceptives brutes ou deja pretraitees.
Entrees discretes ou continues.
Entrees bruitees ou non.
Entrees correspondant a des phenomenes deterministes ou non.
Entrees aectees d'incertitude.
Entrees aectees d'imprecision.
Entrees (( plates )), telles que des vecteurs d'attributs, ou structurees par des relations
et une organisation, comme des graphes.
3. Quel degre de transparence ou d'interpretabilite souhaite-t-on dans les hypotheses pro-
duites par le systeme?
Ce dernier aspect est tres important. Si l'on cherche seulement un systeme performant
sur une tâche donnee, sans qu'il y ait necessite d'interaction avec un (( expert )), une
representation opaque est acceptable. C'est par exemple le cas d'un systeme de recon-
naissance de caracteres ou d'identication de locuteurs sur la base d'un signal sonore.
En revanche certaines applications exigent que l'utilisateur puisse examiner la connais-
sance produite par le systeme. C'est le cas d'un systeme de diagnostic medical et plus
encore d'un systeme charge de faire des recommandations therapeutiques. Mais cela peut
aussi être utile lorsque l'expert peut aider le systeme a apprendre en lui transmettant
des connaissances a priori. Encore faut-il qu'il soit alors possible de les traduire pour la
machine. C'est generalement impossible avec une representation (( opaque )) telle que la
representation utilisee dans les reseaux connexionnistes qui consiste en une matrice de
nombres correspondant aux poids des connexions du reseau. C'est en revanche plus facile
si la representation utilise un formalisme logique.
Nous presentons maintenant les dierents espaces d'hypotheses H que nous allons rencontrer
par la suite. Ces espaces de representation seront decrits avec plus de precision au fur et a mesure
des chapitres a venir. Pour le moment, il est seulement question de faire un tour d'horizon des
representations utilisees en apprentissage articiel. Il est d'ailleurs interessant de noter que toutes
les techniques de representation des connaissances utilisees en intelligence articielle ne sont pas
citees ici : certaines d'entre elles ne se prêtent pas (encore?) a l'apprentissage.
La table de la page suivante presente d'abord les qualites des dierentes representations des
hypotheses en fonction des criteres cites ci-dessus.
ctio s
te
Arb s etat obabili
n
aye cepts
ices
rkov
!a
r
gles
ratr
rarc cision
con
s de ens
ctio s de p
si
Ma
e re
sepa
Res ies de
e
n
s
de d
aire
es d
utio
xb
ons
mm
tem
trib
^ne
eau
res
cti
Cha
Gra
Fon
Fon
Sys
Hie
Dis
Concept
p p -
p p - -
p p
Classes multiples
p p -
p p - - -
p
Ontologies -
p p p
Regression -
p- p- p - - - p
E volutions temporelles -p
p p - -- -
-
p- p- -
Apprentissage non supervise
p p p p -
Donnees continues
p p p p - p- - -
Connaissances relationnelles -
p - p p- p- p-
Degre de certitude -
p- p - - p -
-
p p
Degre d'imprecision -
p p - - p -
Transparence, intelligibilite -
p p p p p -
p- p-
3.2.2 La classication

3.2.2.1 Denition
L'apprentissage d'une regle de classication est l'un des themes de l'apprentissage articiel le
plus traite. Il y a plusieurs raisons a cela : d'abord, on sait l'aborder du point de vue des theories
de l'apprentissage, la plupart du temps dans le cas de deux classes (mais on peut assez facilement
generaliser a un nombre quelconque). Ensuite, un grand nombre de methodes et d'algorithmes
existent, en particulier dans le cas ou l'espace de representation est numerique. On est alors dans
le domaine classique de la reconnaissance statistique des formes (statistical pattern recognition).

Enn, apprendre a classer est un probleme central de l'intelligence, naturelle comme articielle.
Intuitivement, une regle de classication est un acte cognitif ou une procedure permettant
d'aecter a un objet la famille a laquelle il appartient, autrement dit de le reconna^tre. C'est
ainsi qu'un enfant apprend a classer les animaux domestiques en (( chiens )) ou (( chats )), les plats
en (( sale )) ou (( sucre )), etc. Par analogie, les ordinateurs de bureau qui reconnaissent l'ecriture
manuscrite ont appris (grâce a un programme d'apprentissage automatique) des regles pour dis-
tinguer les signes traces ; d'autres programmes savent classer des sons, des signaux biomedicaux,
etc. Toutes les procedures qui simulent des fonctions perceptives doivent evidemment posseder
des capacites de generalisation, c'est-a-dire être munies de la faculte d'induction, sans quoi elles
ne seraient capables de reconna^tre que les exemples qui ont servi a les entra^ner.
3.2.2.2 Classe, concept

Denition 3.1 (exemple)
Un exemple est un couple (x; u), ou x 2 X est la description ou la representation de l'objet et
u 2 U represente la supervision de x. Dans un probleme de classication, u s'appelle la classe
de x et appartient a un ensemble C = f!1 ; : : : ; !C g. C designe le nombre de classes possibles
pour un objet.
C doit être ni et en pratique petit pour que l'on puisse reellement parler de classication. Des
exemples de classes sont : les sons du langage, l'alphabet, les especes des oiseaux, un diagnostic
medical, la presence ou l'absence d'une propriete pour un objet (par exemple qu'une carte a
jouer soit un (( honneur ))), etc.
Dans le cas ou C = 2, il est usuel de considerer que l'on fait l'apprentissage d'un concept,
c'est-a-dire du partage de l'espace de representation en deux parties, l'une ou le concept est
verie, l'autre ou il est invalide. Dans ce cas, on note 10 en general C = fV RAI; FAUX g et
on appelle contre-exemples les donnees classees FAUX (on garde le mot d'exemples pour les
autres).
Il est a noter que le cas C = 1 est presque equivalent au precedent, puisqu'il s'agit d'apprendre
aussi un concept, mais a partir seulement d'exemples ; en pratique, cependant, les algorithmes
seront dierents.
Par exemple, un enfant apprend sa langue maternelle avec un (( algorithme )) de generalisation
ou le rôle des contre-exemples est faible. En revanche, il classe les matieres d'enseignement
en celles qu'il aime et celles qu'il n'aime pas a partir d'une base d'apprentissage composee
d'exemples des deux cas.
3.2.2.3 Les fonctions separatrices entre classes
Au lieu d'essayer d'approcher directement la fonction de classication cible f : X !
f!1; : : : ; !C g par une regle de classication, il est souvent plus facile de transformer l'espace
des classes en celui des fonctions separatrices.
Denition 3.2 (fonction separatrice)
Une fonction separatrice, ou fonction de decision ij : H ! IR entre la classe !i et la classe
!j est telle que ij (x) 0 pour tous les objets x que la fonction cible aecte a la classe !i et
ij (x) 0 pour tous les objets qu'elle aecte 11 a la classe !j .
10. Parfois C = f+; ;g, ou C = f1; 0g.
L'espace de l'apprentissage devient alors un ensemble d'hypotheses consitue de fonctions
separatrices. Ces fonctions peuvent être de natures extrêmement variees : par exemple des hy-
perplans (voir le chapitre 9), ou calculees a partir de reseaux connexionnistes multicouche (voir
le chapitre 10) ou de densites de probabilite (voir le chapitre 14), etc.
Dans la denition ci-dessus, on ne considere que le signe de la fonction de decision pour
decider de la region d'appartenance de l'entree x (voir gure 3.6 (a)). On parle souvent dans ce
cas de fonctions separatrices a seuil. Dans le cas ou il y a plus de deux classes, on peut combiner
plusieurs fonctions de decision permettant ainsi une division de X en plusieurs regions (voir
gure 3.6 (b)). On y reviendra au chapitre 9.
+ -
(a) (b)
Fig. 3.6 { Classication par fonctions separatrices. En (a) la fonction separatrice determine
deux classes suivant le signe de la sortie de la fonction. En (b), une classication
pour plus de deux classes est obtenue par la combinaison de plusieurs fonctions
separatrices.
Si en plus de son signe, on considere aussi la valeur de la sortie de la fonction de decision,
il devient possible d'interpreter cette derniere comme une mesure de conance dans la decision,
selon l'idee naturelle que plus la forme d'entree est (( eloignee )) de la frontiere, plus son appar-
tenance a la classe designee est peu susceptible d'être remise en cause. Nous verrons que cette
observation de bon sens est a l'origine d'un renouveau tres fort pour l'utilisation de ces fonctions
de decisions (voir les separateurs a vastes marges dans le chapitre 9).
En dehors de leur simplicite conceptuelle et pratique evidente, les fonctions separatrices per-
mettent de mettre en uvre naturellement un appariemment partiel entre entree et hypothese.
En eet, les fonctions separatrices peuvent se concevoir comme une sorte de produit scalaire
deni sur X H. Ainsi, dans le cas du perceptron, deja rencontre au cours du chapitre 2, la
fonction de decision est denie par :
( (
wT x 0 =) x 2 !1 (3.1)
<0 !2
en considerant le vecteur de description des observations augmente xT = (1; x1 ; x2 ; : : : ; xd ) et
le vecteur poids w augmente du seuil w0 : wT = (w0 ; w1 ; w2 ; : : : ; wd ).
Cette faculte d'appariemment partiel dans lequel c'est l'(( alignement )) entre l'entree et
l'hypothese qui decide de la classe de l'entree est une propriete tres interessante qui n'est pas
11. L'aectation pour ij (x) = 0 se fait en general arbitrairement.
aussi facile a mettre en uvre dans les formalismes logiques par exemple. C'est une des raisons
de la popularite des fonctions de decision.
3.2.3 La regression
La regression concerne le cas ou H est un ensemble de fonctions h a valeurs reelles. Une
generalisation, la regression multidimensionnelle, est l'apprentissage d'une hypothese h : X !
IRn . On cherche donc a apprendre une fonction a partir d'un ensemble de points et des valeurs
que prend cette fonction sur ces points. Il n'y a pas de contre-exemples dans un tel probleme
d'apprentissage 12 .
Il sera en particulier question de regression quand nous verrons l'apprentissage par renforce-
ment, au chapitre 16.
3.2.4 Les distributions de probabilites

Au lieu de delimiter des frontieres de decision sur l'espace X , on peut y denir des dis-
tributions de probabilites. Chacune de ces distributions est associee a une classe et determine
la probablite qu'un objet x 2 X appartienne a la classe (voir gure 3.7). Pour qu'il soit aise
de manipuler ces distributions et que l'on puisse contrôler leur pouvoir de generalisation (cf.
chapitre 2), elles sont generalement prises au sein de familles parametrees de distributions, par
exemple des fonctions gaussiennes. Nous y reviendrons au chapitre 14.
1
0.75
0.5
5
0.25
0
0
-5
0
-5
5
Fig. 3.7 { Deux distributions de probabilite correspondant a deux classes d'objets.
3.2.5 Les arbres de decision

Lorsque les exemples s'expriment comme des vecteurs d'attributs valeurs, et particulierement
quand ces attributs sont a valeurs discretes, il est commode de decrire les concepts par des arbres
de decision comme celui de la gure 3.8. Un arbre de decision prend la description d'un exemple
en entree et lui associe une classe. Chaque nud de l'arbre correspond a une question portant
sur un attribut 13.
De la sorte, en suivant une sequence de nuds et de branches depuis la racine de l'arbre
jusqu'a une feuille, on rane progressivement la description des exemples concernes jusqu'a
12. On peut aussi voir la regression comme un probleme de classication generalise, dans lequel le nombre C de
classes serait inni.
13. Ces attributs peuvent aussi être numeriques, comme on le verra au chapitre 11. Dans ce cas, on les compare a
un seuil et chaque branche est associee a une valeur ou a un intervalle de valeurs possibles pour cet attribut.
obtenir une description correspondant, si tout va bien, aux objets d'une classe. Chaque branche
correspond a une conjonction de conditions sur les attributs decrivant les exemples.
Type d'application
Intelligence Numérique
artificielle
Type de
Langage objet
langage
Fonctionnel Logique Oui Non
Langage récent Langage récent

Lisp Prolog
Oui Non Oui Non
Java Smalltalk C Fortran
Fig. 3.8 { Un exemple d'arbre de decision. Chaque nud rectangulaire correspond a une ques-
tion. Chaque eche correspond a une reponse possible. Ici toutes les questions sont
binaires, mais ce n'est pas necessairement le cas.
Par exemple, dans la gure 3.8, une interpretation est la suivante : << Type d'application
= intelligence artificielle & type de langage = logique >> ! Prolog)
L'ensemble des branches correspond ainsi a un ensemble de regles d'association decrivant les
classes. Le langage deni par les arbres de decision est equivalent a la logique des propositions,
chacun des tests etant une variable booleenne. Toute fonction booleenne peut être exprimee par
un arbre de decision.
En revanche, un arbre de decision ne peut pas exprimer un concept relationnel comme :
9 x même-couleur(x; y) & envergure(x; e1) & envergure(y; e2) & plus-petit(e1; e2)
dont la signication est : (( les oiseaux x de même couleur qu'un oiseau donne y mais d'envergure
inferieure )) : ce type de concept appartient a la logique des predicats (voir le chapitre 5).
Par ailleurs, si certaines fonctions s'expriment de maniere economique a l'aide d'arbres de
decision, d'autres ne sont pas adaptees a cette representation. Par exemple la fonction parite
qui retourne 1 si et seulement sur un vecteur booleen si un nombre pair d'attributs valent 1
s'exprime par un arbre tres complexe.
Nous approfondirons cette maniere de representer les concepts au chapitre 11.
3.2.6 Les hierarchies de concepts
Les arbres de decision introduisent l'idee de hierarchie sur les attributs, mais pas sur les
concepts. Les attributs places plus pres de la racine sont en quelque sorte plus importants que
les attributs plus eloignes.

Il peut être souhaitable d'exprimer explicitement une hierarchie dans le langage des concepts.
C'est le cas par exemple pour les taxonomies de la classication biologique : le concept de rapace
est situe en dessous du concept oiseau et plus haut que faucon. Il peut egalement être interessant
de disposer de relations d'heritage entre un concept et ses sous-concepts. De nombreux types de
representations de concepts peuvent donner lieu a des organisations hierarchiques, ou ontologies
pour peu que l'on explicite les liens de hierarchie. Cependant de telles organisations sont alors
souvent articielles.
L'ideal est que l'apprenant lui-même construise la hierarchie et soit prêt a la modier si de
nouvelles informations en indique l'utilite. Il existe peu de systemes d'apprentissage aptes a de
telles constructions. On les rencontre generalement en apprentissage non supervise, quand c'est
au systeme de decouvrir des classes dans l'environnement. Le chapitre 15 fournit des precisions
a ce sujet.
3.2.7 Les reseaux bayesiens et les modeles graphiques
De nombreux types de dependances peuvent être representes a l'aide de structures probabi-
listes. Lorsque les dependances et les independances entre les variables aleatoires sont explicitees
dans un graphe, on souligne cette transparence en parlant de modeles graphiques (on trouve aussi
les termes de (( reseaux de croyance )) (belief networks), (( reseaux causaux )) (causal networks),
(( diagrammes d'in uence )) (in uence diagrams). La base des calculs eectu es dans ces struc-
tures est la formule de revision des probabilites de Bayes et pour cette raison ils sont egalement
appeles reseaux bayesiens.
La gure 3.9 montre un exemple d'un tel reseau. Les variables sont associees aux nuds
du reseau et les liens manquants entre les nuds indiquent une certaine independance entre
ces nuds (les denitions precises seront donnees dans le chapitre 12). Les liens entre nuds
s sont diriges, pour indiquer des dependances causales ou temporelles. Lorsque les liens sont
symetriques ou non diriges, on parle de champs de Markov aleatoires (random Markov elds).
Ici les deux variables FN et ZO jouent le rôle de variables causales, CP pouvant decouler de
FN et/ou de ZO, tandis que SA ne depend, selon ce reseau, que de FN. Les variables FN et ZO
sont aectees de leur probabilite a priori, tandis que les variables SA et CP sont associees a des
matrices de probabilites conditionnelles indiquant leur dependance sur les variables FN et ZO.
p(ZO) = 0.7
p(FN) = ZO
0.95
FN
p(CP | FN,ZO) = 0.9

p(CP | FN,¬ZO) = 0.05
SA CP p(CP | ¬FN,ZO) = 0.0
p(SA | FN) = 0.95 p(CP | ¬FN,¬ZO) = 0.0
p(SA | ¬FN) = 0.1
Fig. 3.9 { Un exemple de reseau bayesien.

L'apprentissage peut alors consister a trouver une structure de dependances entre variables
(le graphe) ou a estimer les probabilites conditionnelles denissant ces dependances. Le cha-
pitre 12 traite en particulier de l'apprentissage de reseaux bayesiens.
3.2.8 Les cha^nes de Markov et les modeles de Markov caches
A strictement parler, les cha^nes de Markov ne sont qu'un cas particulier de modeles gra-
phiques tels qu'ils viennent d'être decrits. Elles representent en eet les dependances temporelles
dans une sequence de variables S0 ; : : : ; St ; : : : Lorsque chaque variable ne depend que de la va-
riable precedente dans la sequence, on dit que l'on a une cha^ne de Markov :
P (St jS0 ; : : : ; St;1 ) = P (St jSt;1 )
Intuitivement, cela peut être interprete comme le fait que le futur ne depend que de l'etat
present, ou du moins que celui-ci possede susamment d'informations pour qu'il ne soit pas
utile de considerer le passe.
Le formalisme des cha^nes de Markov est particulierement adapte pour la representation de
sequences, qu'elles soient de nature temporelle, comme par exemple des cours boursiers ou un
signal acoustique, de nature spatiale, comme par exemple une cha^ne d'ADN, ou d'autres types
de dependances lineaires.
Une generalisation des cha^nes de Markov s'appelle les modeles de Markov caches (Hidden
Markov Models ou Hmm). Formellement, un modele de Markov cache (d'ordre un) est un modele
generatif de sequences deni par un ensemble d'etats, un alphabet discret de symboles, une
matrice de probabilites de transitions entre etats et une matrice de probabilite d'emissions de
chaque symbole de l'alphabet a partir de chaque etat. Le systeme evolue aleatoirement d'un etat
a l'autre suivant les probabilites de transition en emettant des symboles de l'alphabet.
Seuls les symboles emis sont observables, et non les transitions entre etats, qui sont internes
au modele. La sequence d'etats est donc une sequence de variables cachees ou latentes expliquant
les observations.
Trois types de questions au moins peuvent se poser lorsque l'on represente une sequence par
un modele de Markov : quelle est la probabilite d'observation de telle sequence etant donne tel
modele? (Question relative a la vraisemblance). Quelle est la sequence d'etats la plus probable
dans le modele de Markov sachant que telle sequence de symboles a ete observee? (Question
relative au decodage). Finalement, en supposant que les parametres de transition et d'emission
ne soient pas parfaitement connus, comment leurs valeurs devraient être estimees ou revisees a
la lumiere des sequences de symboles observees? (Question relative a l'apprentissage).
Le chapitre 13 est consacre aux methodes d'apprentissage adaptees a ce formalisme des
modeles de Markov caches.
3.2.9 Les grammaires
Quand on a aaire a des sequences d'elements d'un ensemble nominal, souvent appele
un alphabet dans ce cas, le concept a apprendre doit separer l'espace de toutes les sequences
possibles en deux. C'est ce que fait une grammaire formelle : un compilateur de langage de
programmation est un programme qui repond a la question : (( est-ce que le programme que
l'on vient de me soumettre est correct du point de vue de ma syntaxe ? )). Par exemple, un
compilateur du langage C repond V RAI a la sequence :
#include <stdio.h> #include <math.h> int N;double x,res; main()
{N=0;while (N<21){fprintf(stdout, " %f %f\n",n);N = N+1;}}
Il repond FAUX a celle-ci :

Je sais programmer en C.
Naturellement, une grammaire du francais repondrait exactement le contraire.
Les modeles grammaticaux que l'on sait apprendre ne sont pas en realite aussi complexes.
On verra au chapitre 7 comment on peut par inference grammaticale generaliser des ensembles
de sequences, en particulier sous la forme d'automates nis.
3.2.10 Les formalismes logiques
La logique des propositions
Si on dispose de l'ensemble des exemples et contre-exemples suivants, decrits par des
attributs binaires :
vole a des plumes pond des ux oiseau classe

V RAI V RAI V RAI V RAI oie
FAUX FAUX V RAI FAUX ornithorynque
V RAI FAUX FAUX FAUX rhinolophe
V RAI V RAI V RAI V RAI cygne
On peut par exemple induire le concept ci dessous :
h = [(vole) ^ (a des plumes) ) (oiseau)]
Ce concept est ecrit dans le langage de la logique des propositions, ou logique booleenne
ou encore logique d'ordre 0. Il est V RAI pour tous les exemples. Mesurons sa valeur sur
les objets suivants :
vole a des plumes pond des ux oiseau classe valeur de h
V RAI V RAI VRAI VRAI moineau VRAI
FAUX V RAI VRAI VRAI autruche FAUX
Le premier objet est represente correctement par le concept, mais pas le second. A supposer
que l'on veuille apprendre le concept (( oiseau )), la generalisation realisee ne serait donc
ici pas parfaite.
Ce langage de representation des hypotheses est comme on le voit particulierement adapte
aux exemples representes par des vecteurs binaires, ou dont la representation naturelle
peut facilement être transformee en vecteurs binaires 14. Le chapitre 11 traitera en partie
de l'apprentissage de ce type d'hypotheses, sous la forme particuliere d'arbres de decision.
Il en sera egalement question au chapitre sur l'espace des versions (chapitre 4).
La representation par attribut-valeur
La logique des propositions peut s'etendre en remplacant les valeurs binaires des attributs
par des valeurs nominales ou hierarchiques. Les exemples se representent alors de la maniere
suivante :
couleur forme nombre de pieds classe
rouge hexagonale 3 tabouret
jaune carree 4 tabouret
vert ronde 4 table
jaune ovale 6 table
14. Par exemple, un attribut continu peut être transforme en attribut binaire par comparaison a un seuil.
Le langage attribut-valeur dans lequel on represente le concept appris est semblable a
celui de la logique des propositions : on y utilise aussi des conjonctions et des disjonctions,
mais sur des couples (attribut; valeur). Chaque attribut nominal ou hierarchique (par
exemple couleur, voir la gure 3.1) prend sa valeur dans un ensemble de denition ni,
eventuellement partiellement ordonne, comme frouge; vert; jaune; bleug, avec couleur ;
chaude = frouge; jauneg. Un concept tabouret appris dans le langage attribut-valeur
pourrait être par exemple :
[couleur = couleur ; chaude] ^ ([forme = carree] _ [forme = hexagonale])
L'interêt des langages par attribut-valeur est celui des langages types par rapport aux
langages non types : ils permettent un contrôle plus facile des inferences.
La logique des predicats

Supposons que nous disposions des donnees ci-dessous, dont la signication formelle sera
donnee au chapitre 5. Pour le moment, nous pouvons en rester a l'interpretation suivante :
le numero 1 ou 2 represente un individu. La relation Fille(1; 2) = V RAI s'interprete
comme : l'individu 2 est une lle de l'individu 1. Les autres relations ont une signication
naturelle.
Nom(1) = Eve M ere(1) = Marie P ere(1) = Max Homme(1) = FAUX
Nom(2) = Max M ere(2) = Adele P ere(2) = Max Homme(2) = V RAI
Fille(1; 2) = V RAI
D'autre part, le programme d'apprentissage dispose de connaissances a priori, comme :
8x Homme(x) = V RAI () Femme(x) = FAUX
8x Homme(x) = FAUX () Femme(x) = V RAI
A partir de ces exemples et de cette theorie du domaine, un programme de generalisation
en logique du premier ordre peut apprendre le concept :
8x 8y (P ere(y) = x) ^ (Femme(x) = V RAI ) ) (Fille(x) = y)
La dierence avec l'apprentissage en logique des propositions est importante : cette formule
est gouvernee par des quanticateurs 8 (quelque soit) et 9 (il existe) qui sont hors du
langage booleen. La generalisation realisee est par consequent beaucoup plus radicale et
profonde (elle est aussi plus dicile a faire). L'apprentissage de tels concepts s'appelle la
programmation logique inductive. Il sera developpe au chapitre 5.
Les logiques de description
Les logiques de description forment une famille de formalisme de representation des connais-
sances dediee principalement a la gestion automatique de la denition de concepts (en-
semble d'individus) et de raisonnement sur ces concepts. Les concepts sont partiellement
ordonnes dans une base de connaissances organisee en taxonomie par une relation de sub-
somption. Bases sur des calculs de subsomption, les principaux mecanismes d'inference
deductive sont la classication de concept, qui consiste a inserer automatiquement un
concept deni a la place la plus specique dans la taxonomie, et la (( reconnaissance d'ins-
tances )) qui consiste a trouver pour un individu donne tous les concepts dont il est instance.
De nombreux systemes de representation ont ete denis dans ce cadre, citons ici le systeme
Classic [BPS94].
3.3 La recherche dans l'espace des hypotheses

Une fois choisi l'espace H des hypotheses, apprendre revient essentiellement a chercher la
meilleure hypothese dans H. A condition de disposer d'une evaluation de chaque hypothese
par une fonction de coût, on peut donc considerer l'apprentissage comme un probleme d'op-
timisation : il s'agit de trouver l'element de H pour lequel la fonction de coût prend la valeur
maximale.
L'ensemble des techniques developpees pour resoudre les problemes d'optimisation est tres
vaste. Cette section vise a jalonner le panorama des methodes relevant des problemes speciques
qui peuvent se poser en apprentissage, sans avoir l'ambition de l'exhaustivite (le lecteur pourra
se reporter par exemple a [PS82] et [CGH96]).
L'optimisation consiste donc en principe a identier une solution optimale vis-a-vis de la
fonction de coût, dans un ensemble de solutions. Cependant, trouver une solution optimale est
en general irrealisable, et l'on doit se contenter d'approches locales, operant par iterations et dont
le resultat, un optimum local, depend du point initial. On distingue les methodes d'exploration
directes, dans lesquelles l'exploration se fait par evaluation eective des solutions du voisinage,
des methodes indirectes dans lesquelles l'exploration est guidee par des proprietes de la fonction
de coût (comme les derivees par exemple). Les methodes d'optimisation dependent du type de
solution cherchee, de la fonction de coût a optimiser, des contraintes eventuelles a satisfaire et
des proprietes de l'espace a explorer.
3.3.1 Caracterisation de l'espace de recherche
L'une des methodes d'optimisation les plus generales consiste a utiliser un algorithme de
recherche locale. E tant donnee la denition d'un voisinage dans l'espace des solutions, l'idee
est d'ameliorer au fur et a mesure une solution provisoire en la remplacant par une solution
meilleure et situee dans son voisinage. Cette notion de voisinage est par consequent centrale,
puisqu'elle ore la possibilite d'explorer rationnellement l'espace des hypotheses.
En ce qui concerne ces derniers, il faut distinguer les espaces discrets des espaces continus.
On rencontre les premiers principalement dans les problemes d'apprentissage impliquant des
representations symboliques des hypotheses (par exemple des grammaires). Les espaces continus
sont lies a des representations numeriques des hypotheses (par exemple des reseaux connexion-
nistes).
Dans les espaces discrets, les elements du voisinage sont denis par des operateurs de mo-
dication syntaxique. Il est possible de les enumerer et d'explorer exhaustivement le voisinage
d'une hypothese. Dans les espaces continus, les elements du voisinage sont generalement denis
par des operateurs dierentiels et les directions de recherche sont choisies a partir du calcul de
derivees de la fonction de coût au voisinage du point courant.
Il existe egalement des problemes d'optimisation dans lesquels les solutions ne sont denies
que pour des domaines de validite des dierentes variables en jeu. Ce sont en general les
problemes dits de (( satisfaction de contraintes )).
3.3.2 Caracterisation des fonctions de coût
3.3.2.1 L'optimisation d'une fonction numerique de coût
On dispose d'une fonction dite de coût c(h), denie pour chaque hypothese h. Une hypothese
depend elle-même d'un ensemble de variables. Il s'agit de trouver des valeurs a ces variables telles
que la fonction coût soit minimale. Cette fonction est en general reelle positive, par exemple le
risque empirique si on se place dans le principe d'apprentissage ERM . Les variables sont dans ce
cas les parametres de l'hypothese a apprendre : par exemple les poids d'un reseau connexionniste.
Deux grandes familles de techniques se rencontrent :
1. L'optimisation sans contrainte. Le probleme est de trouver le minimum de la fonction
de coût c(h) denie sur l'ensemble complet des solutions H.
{ Si c(h) est lineaire a valeur reelle et derivable par rapport aux variables, ce sont en
particulier les techniques de la programmation lineaire qui peuvent s'appliquer.
{ Si c(h) n'est pas lineaire en fonction des variables, mais est a valeur reelle et derivable
par rapport a ces variables, alors les methodes de la programmation non lineaire
peuvent s'utiliser. Toutes les methodes d'optimisation locales par gradient rentrent
notamment dans cette categorie.
{ Il est interessant de distinguer le cas particulier ou la fonction c(h) est convexe par
rapport aux variables qui denissent h. En eet, dans ce cas il n'y a qu'un seul
optimum de la fonction, qui est evidemment l'optimum global. On ne risque donc pas
de s'egarer dans un optimum local.
2. L'optimisation avec contraintes. Il s'agit de trouver l'optimum d'une fonction objec-
tif sous certaines contraintes portant sur les variables de decision. Ces contraintes qui
denissent le domaine de validite des variables peuvent prendre la forme d'egalites (hyper-
surfaces dans le domaine de denition des variables) ou d'inegalites (regions admissibles).
Les contraintes peuvent être lineaires ou non. Le cas des contraintes lineaires sera aborde a
l'occasion de l'apprentissage de separateurs a vastes marges (SVM) au chapitre 9 mettant
en jeu la methode des multiplicateurs de Lagrange.
3.3.2.2 L'optimisation d'une fonctionnelle

Il peut s'agir aussi de chercher une fonction dont une certaine propriete est optimale. Par
exemple, le probleme peut être de trouver une trajectoire de longueur minimale, ou parcourue en
un temps minimal, ou encore de trouver une sequence d'etats de probabilite maximale dans une
cha^ne de Markov. Plusieurs techniques sont applicables. Si l'espace est discret, on peut envisager
les methodes de recherche dans les graphes developpees en intelligence articielle, comme les
algorithmes par separation et evaluation (branch and bound) et particulierement l'algorithme A
([Nil98]). On peut aussi esperer pouvoir appliquer les techniques de la programmation dynamique.
3.3.3 Les methodes d'optimisation

3.3.3.1 L'optimisation par gradient dans un espace continu
On se place ici dans le cas ou l'espace des hypotheses H est continu et ou on cherche a
minimiser le risque empirique (principe ERM ). On peut le supposer derivable 15 par rapport
aux parametres qui caracterisent l'hypothese. En pratique, H est toujours assimilable a IRd .
Notons w le vecteur de IRd caracterisant une hypothese a l'etape t. Le risque empirique de
l'hypothese courante peut alors se noter 16 REmp (wt ).
Pour approcher l'hypothese cherchee, celle qui minimise le risque empirique, l'un des algo-
rithmes d'apprentissage les plus simples consiste a ajuster le vecteur w par une procedure de
descente de gradient an d'optimiser la mesure de performance de REmp(wt ) sur S . On obtient
15. En toute rigueur, cela supposerait un nombre inni d'exemples... On se contente d'une approximation naturelle.
16. Nous emploierons un peu plus loin la notation REmp (htalgo;S ;H), mais pour l'instant celle-ci est susante.
alors une sequence de vecteurs w0 ; w1 ; ; wt obeissant a l'equation de recurrence :

@R ( w )

w = w ; @ w t
t +1 t Emp (3.2)
w
ou est un reel positif que l'on appelle le pas d'apprentissage et @REmp (w ) j t est la derivee
@ w w
partielle du critere REmp (w) par rapport au parametre w a l'etape wt .
Cette equation exprime l'algorithme suivant : pour choisir la prochaine valeur wt+1 , on re-
tranche a wt une quantite proportionnelle a la valeur au point wt de la derivee du risque
empirique par rapport a w.
Dans l'espace IR, l'illustration de la methode et de ses faiblesses est donnee sur la gure 3.10.
La fonction a optimiser est notee f et l'unique valeur cherchee est notee u .
f (u)
wt+1 b
b
wt b vt ut b
vt+1b
vt+2
b
b
t+1
ut+2
b
u
ulocal u
Fig. 3.10 { Une illustration de la methode de descente de gradient.
On y voit trois cas caracteristiques :

Si ut se trouve dans la partie droite du graphe, le gradient @u@ f (u)jut est positif et grand.
Par consequent, en prenant
@ f (u)
ut+1 = ut ; @u ut
avec reel positif, on obtiendra ut+1 au point indique. A cet endroit, le gradient est plus
petit, quoique toujours positif. Le point suivant ut+2 , calcule avec la même valeur de ,
sera donc plus proche de ut+1 que ut+1 l'etait de ut . On assiste de la sorte a la convergence
de la suite vers la valeur minimale u cherchee.
Construisons maintenant une autre suite a partir du point vt , avec une valeur superieure
pour . Cette suite converge aussi, mais il y a deux dierences avec le cas precedent :
{ La suite n'est plus strictement croissante ou decroissante, mais converge par valeurs
alternativement superieures et inferieures a la valeur nale.
{ La valeur atteinte n'est pas le minimum u , mais une ulocal . Cette (( erreur )) de
convergence vers un minimum local se rencontre tres souvent en pratique.
A partir du point note wt, en prenant encore plus grand, la suite va diverger.

3.3.3.2 Les methodes locales pour les problemes d'optimisation combinatoire
Les problemes d'optimisation combinatoire font partie des mathematiques discretes. Leur
objet est de trouver une solution optimale (locale ou de preference globale) dans un ensemble
ni mais souvent extrêmement vaste de solutions potentielles sur lequel est denie une fonction
de coût. La diculte de ces problemes est qu'ils sont souvent NP -diciles, ce qui signie en
pratique qu'il est admis 17 qu'il n'existe pas d'algorithme capable de les resoudre en temps
polynomial en fonction de leur taille. C'est pourquoi ont ete developpes des algorithmes sous-
optimaux fondes sur l'utilisation de meta-heuristiques de recherche 18 . Une meta-heuristique
est donc une strategie d'exploration de l'espace des solutions. Les methodes locales explorent
l'espace localement. L'idee est de denir un voisinage, c'est-a-dire d'associer a chaque solution
un ensemble de solutions voisines, puis d'ameliorer la solution courante en la remplacant de
maniere iterative par (generalement) une meilleure solution dans son voisinage.
Les methodes de recherche locale, classiques en recherche operationnelle et en intelligence

articielle (en particulier toutes les techniques d'exploration de graphes, comme A? ), ont connu
recemment des developpements spectaculaires grâce au concept d'exploration stochastique de
l'espace. Les methodes de recuit simule, les methodes tabou et les methodes d'optimisation par
algorithmes genetiques sont ainsi devenues centrales dans la panoplie du parfait praticien de
l'optimisation.
Sans entrer dans les details, nous rappelons brievement les bases de quelques methodes dans
la suite.
Les methodes de gradient dans un espace discret
Dans les espaces d'hypotheses discontinus, le principe de la descente de gradient doit être
adapte pour la simple raison que la notion de derivabilite n'existe plus. Mais il est possible d'en
conserver le principe, en denissant une notion de voisinage. L'optimisation se deroule alors
selon le principe suivant : en cours de recherche, on se trouve sur une certaine hypothese h. Si
elle est la meilleure dans son voisinage, elle sera consideree comme localement optimale. Sinon,
on choisira celle dans le voisinage qui fait gagner le plus sur le critere a optimiser (en general
l'erreur empirique).
Dans le paragraphe suivant, nous formalisons un peu plus cette approche discrete de l'opti-
misation par gradient dans le cas ou l'espace que l'on explore peut être mis sous la forme d'un
graphe.
Diverses methodes empiriques permettent d'eviter les minima locaux : la methodes des direc-
tions tabou en est une. D'autre part, certaines approximations des ameliorations de la methode
du gradient peuvent être appliquees approximativement dans les espaces discrets.
L'espace des hypotheses comme un graphe
Il est frequent que l'on puisse denir une structure de graphe sur l'ensemble des hypotheses.
Sans rentrer dans une denition formelle, la signication de cette structure est la suivante :
chaque hypothese peut, par des modications syntaxiques simples, être transformee en un certain
nombre d'autres hypotheses qui lui sont proches de ce point de vue. Autrement dit, si l'hypothese
de depart est formalisee comme le noud d'un graphe, elle est reliee par des arcs a un certain
nombre d'autres nuds de ce graphe. Les arcs peuvent d'ailleurs être values pour exprimer le
coût de la transformation correspondante.
Par exemple, on verra dans le chapitre 7, sur l'inference grammaticale, qu'une hypothese est
un automate ni et que toutes les autres hypotheses proches sont obtenues par une operation
qui consiste a fusionner deux etats de cet automate. La gure 3.11 represente cette situation :
17. Mais on ne sait pas le demontrer.
18. Par opposition a la notion d'heuristique qui est seulement une fonction d'estimation de la proximite au but.
l'hypothese courante est un nud du graphe (represente comme le rectangle le plus haut dans la
gure) dans lequel est dessine l'automate correspondant a trois etats. Il est relie a trois nuds
(trois rectangles en dessous) par des arcs (des eches en gras) correspondant aux trois fusions
possibles de deux etats de l'automate du dessus.
a a
2 b
3 a b
1,2 a 1,3 a b 1
b a b a a b a
3 a b 2 2,3 a b
Fig. 3.11 { Une toute petite partie d'un espace d'hypotheses strucure en graphe
Dans cette organisation en graphe, la recherche de la meilleure hypothese peut être vue
comme la construction d'un chemin entre une ou plusieurs hypotheses de depart et celle sur
laquelle on decide de s'arrêter. Comme les graphes dans lesquels on travaille sont en general
tres grands, il est hors de question de les mettre entierement en memoire : on procede donc par
exploration locale en utilisant des heuristiques pour essayer de trouver une solution aussi bonne
que possible, a defaut de la meilleure.
Les techniques employees sont longuement decrites dans nombre de livres d'algorithmique et
d'intelligence articielle. Presentons-en une qui est fondee sur une approximation sommaire de
la technique du gradient. On la conna^t sous le nom d'escalade (hill climbing). Dans la version
donnee dans l'algorithme 3.1, les arcs sont values par une valeur strictement positive. La longueur
d'un chemin est la somme des longueurs des arcs qui le composent.
Le recuit simule
L'idee de recuit simule introduite independamment par Kirkpatrick, Gelatt et Vecchi [KGV83]
Algorithme 3.1 L'escalade (hill-climbing)
Soit L0 une liste de nuds de depart, tries par valeur croissante du risque empirique
L L0
TEST FAUX
tant que le test d'arrêt TEST n'est pas V RAI faire
Soit n le premier nud dans L (si L est vide, ECHEC).
Enlever n de L
Mettre dans L tous les nuds que l'on peut atteindre par un arc a partir de n
Calculer le risque empirique des hypotheses correspondantes et ranger les nuds dans L en
preservant l'ordre croissant
si le risque empirique du premier nud de L est superieur a celui de n et ce premier nud

n'est pas dans L0 alors
TEST V RAI
n si
n tant que
n est l'hypothese trouvee
et par C erny [Cer85], s'inspire de la metallurgie 19 . Plus precisement, si du metal en fusion est
refroidi susamment lentement, il se solidie dans une structure d'energie minimale qui ameliore
ses caracteristiques. Une analogie avec un probleme d'optimisation combinatoire est alors envisa-
geable : aux dierents etats du systeme physique correspondent dierentes solutions du probleme
et a l'energie d'un etat correspond la performance d'une solution. On cherche dans les deux cas
une conguration d'energie minimale. La methode de recuit simule est une traduction algorith-
mique de cette analogie. Il s'agit en fait d'une variante stochastique de la technique de gradient
dans laquelle au lieu de modier systematiquement la solution courante en une solution du voisi-
nage meilleure, on accepte de temps en temps, en fonction d'un parametre de (( temperature )), de
selectionner une solution de performance moindre. Cette technique peut permettre d'echapper
aux minima locaux, sous certaines conditions portant sur l'evolution de la temperature, et donc
conduire a la solution optimale.
Dans la vaste litterature publiee sur ce sujet, nous ne pouvons que recommander la lec-
ture de [DHS01] pp.351-360 comprenant d'excellentes illustrations du processus et qui aident
grandement a sa comprehension.
Les methodes tabou
Les methodes tabou ont ete introduites par Glover [Glo86, Glo89a, Glo89b]. L'algorithme
de base examine la totalite du voisinage et choisit la solution qui ameliore le plus la mesure de
performance. Lorsqu'il n'y en a pas, la solution selectionnee est celle qui degrade le moins la
perfomance. Il est ainsi possible d'echapper aux optima locaux.
An d'eviter un retour aux mêmes solutions, une liste circulaire appelee liste tabou stocke
soit l'ensemble des s derniers mouvements eectues (s est la longueur de la liste tabou), soit
des informations representatives de ces mouvements, soit encore les s dernieres solutions ren-
contrees, ou des informations representatives de ces solutions. La liste tabou interdit un certain
nombre de mouvements, soit parce qu'ils sont tabou soit parce qu'ils conduisent a des solu-
19. D'apres le Petit Robert, le recuit est une (( operation thermique destinee a ameliorer les qualites mecaniques d'un
metal, d'un alliage )).
tions tabou. Comme il arrive cependant que certains mouvements tabou vaillent parfois la peine
d'être executes, il existe des criteres d'aspiration permettant d'eectuer un mouvement tabou
s'il est juge interessant. Le critere d'aspiration le plus courant est le suivant : un mouvement est
eectue malgre son caractere tabou s'il permet d'obtenir une solution meilleure que toutes celles
obtenues jusque-la.
Les algorithmes par evolution simulee
Ces algorithmes introduits en particulier par Holland [Hol75] s'inspirent des processus de la
theorie de l'evolution. Contrairement aux methodes classiques, ces algorithmes travaillent sur
une population de solutions provisoires. A chaque (( generation )), une nouvelle population est
calculee a partir de la precedente grâce a des (( operateurs genetiques )) tels que la mutation et
le croisement, en favorisant les descendants des meilleurs individus de la generation courante.
Dans de nombreux cas, apres plusieurs iterations, la population converge vers les regions les plus
interessantes de l'espace de recherche et le meilleur individu obtenu correspond a une solution

quasi optimale.
Le chapitre 8 est consacre a ce type d'approche et a des extensions a l'apprentissage symbo-
lique.
Cette section, bien que deja longue, est tres loin d'être exhaustive et laisse donc de côte
nombre de techniques d'optimisation interessantes, par exemple le gradient conjugue pour n'en
citer qu'une. Nous renvoyons le lecteur aux livres de reference pour approfondir ces techniques.
Par exemple, [DHS01] introduit nombre de methodes d'optimisation au fur et a mesure des
algorithmes d'apprentissage presentes.
3.3.3.3 Les methodes de Monte Carlo
Lorsqu'un probleme de calcul numerique est dicile a resoudre par les methodes conven-
tionnelles, il est quelquefois possible de lui associer un processus stochastique dont l'une des
caracteristiques s'identie a une valeur numerique recherchee. Une realisation repetee du pro-
cessus peut permettre de degager, par statistique eectuee sur les resultats, une approximation
des grandeurs voulues. Une telle demarche est generalement appelee methode de Monte Carlo.
Un exemple classique est l'approximation numerique du nombre irrationnel 1= par des jets
repetes d'une aiguille sur un reseau de droites equidistantes (de la longueur de l'aiguille). Il s'agit
la de la methode de l'(( aiguille de Buon )).
Plus generalement, ces methodes peuvent s'appliquer a l'evaluation d'integrales multidimen-
sionnelles. Elles donnent aussi des informations sur les solutions de systemes dierentiels. Dans
le cadre de l'apprentissage articiel, on les utilise par exemple pour estimer des densites de pro-
babilites, en particulier dans l'approche bayesienne (voir le chapitre 17) et dans l'apprentissage
de reseaux bayesiens (voir le chapitre 12).
3.4 L'evaluation de l'apprentissage

Nous disposons d'un ensemble d'exemples et d'un algorithme d'apprentissage dont nous
pouvons regler certains parametres. Cet algorithme nous retourne une hypothese. Comment
evaluer la performance de cette hypothese? Sut-il par exemple de faire conance au principe
ERM et de se fonder sur la performance mesuree sur l'echantillon d'apprentissage? Surtout
pas, du moins sans precautions. En eet, non seulement la performance en apprentissage, ce
que nous avons appele risque empirique dans le chapitre 2, est intrinsequement optimiste, mais
en outre son comportement n'est pas forcement un bon indicateur de la vraie performance (le
risque reel). Un phenomene classique, deja presente au chapitre 1 est schematise sur la gure 3.4
dans lequel le risque empirique diminue au fur et a mesure que le systeme prend en compte
davantage d'information (soit par un accroissement du nombre d'exemples presentes, soit par
une repetition des exemples d'apprentissage) tandis que le risque reel, d'abord decroissant, se met
a augmenter apres un certain stade. Ce phenomene est appelee surapprentissage (over-tting).
Un developpement theorique et un exemple pratique sont donnes au paragraphe 3.4.4.
Perfomance
Sur-apprentissage
Risque empirique
Prise en compte
croissante d'information
Fig. 3.12 { Illustration du phenomene de surapprentissage. Tandis que le risque empirique conti-
nue de diminuer au fur et a mesure de la prise en compte d'information, le risque
reel qui diminuait egalement dans un premier temps, commence a reaugmenter apres
un certain stade. Il n'y a alors plus de correlation entre le risque empirique et le
risque reel.
Le risque empirique ne peut donc a lui seul servir de base a l'estimation de la performance
de l'apprentissage realise. Comment doit-on alors proceder?
3.4.1 L'evaluation a priori : criteres theoriques

Une solution consiste a appliquer les resultats theoriques decrits dans le chapitre 2 qui
fournissent des bornes en probabilite sur le risque reel en fonction du risque empirique. Ces
bornes prennent la forme generale :
RReel (h) = REmp(h) + (dV C (H); m)
ou est une fonction de la dimension de Vapnik-Chervonenkis de l'espace d'hypothese H et m
est la taille de l'echantillon d'apprentissage S .
Si on peut obtenir ainsi en theorie des bornes asymptotiquement serrees, les hypotheses qu'il
faut faire en pratique pour calculer (dV C (H); m) impliquent souvent de telles marges que les
bornes obtenues de cette maniere sont trop lâches et ne permettent pas d'estimer precisement
la performance reelle. C'est pourquoi, sauf cas particuliers favorables, l'estimation de la perfor-
mance en apprentissage s'opere generalement par des mesures empiriques.
3.4.2 L'evaluation empirique a posteriori : generalites

Nous admettons la plupart du temps dans ce paragraphe que l'algorithme d'optimisation
employe pour l'apprentissage a parfaitement fonctionne, au sens ou il a decouvert l'hypothese la
meilleure dans le cadre ERM . C'est une simplication irrealiste, mais sans importance pour les
developpements presentes ici. Pour revenir au cas pratique, il sut de se souvenir qu'en general
le risque empirique de l'hypothese trouve par l'algorithme n'est pas minimal.
1. On note hH la regle qui minimise RReel (h) pour h parcourant H :
hH = ArgMin RReel (h)
h2H
Son risque reel RReel (hH ) peut se noter plus simplement RReel (H), puisque cette regle ne
depend que de H.
Cette regle est theoriquement celle que tout algorithme d'apprentissage devrait chercher a
approcher. Mais cette quête est illusoire: on ne peut pas en realite savoir si on en est proche
ou pas. L'hypothese faite par la methode ERM est qu'on peut remplacer sa recherche par
celle de la regle hS ;H , decrite au paragraphe suivant.
Le risque empirique de hH sur les donnees d'apprentissage peut se noter REmp (hH ), mais
ce terme n'est en general pas mesurable puisque hH est inconnu.
2. On note hS ;H la regle qui minimise le risque empirique sur l'echantillon d'apprentissage
S:
hS ;H = ArgMin REmp (h)
h2H
Cette regle est celle que l'algorithme d'apprentissage cherche a trouver en utilisant S quand
il fonctionne selon le principe ERM . hS ;H depend de H et de S .
Cette recherche est pertinente : on a vu ci-dessus que dans la plupart des cas, il s'agit d'un
probleme d'optimisation. Comme on n'est jamais sûr que l'algorithme choisi trouve cette
regle, on ne conna^t ni son risque empirique REmp(hS ;H ) ni son risque reel RReel (hS ;H ).
3. On note
halgo;S ;H
la regle trouvee par l'algorithme d'apprentissage. Elle depend de H, de S et de l'algo-
rithme d'apprentissage. Son risque empirique REmp (halgo;S ;H ) se mesure sur l'echantillon
d'apprentissage. Son risque reel RReel (halgo;S ;H ) peut s'estimer par des methodes que nous
verrons dans la suite de ce chapitre.
Comme on l'a dit, on suppose pour le moment que halgo;S ;H = hS ;H , c'est-a-dire que l'algorithme
est ecace de point de vue du principe ERM .
Mais en realite, on a :
REmp(halgo;S ;H ) REmp(hS ;H )
et la plupart du temps 20 :
RReel (halgo;S ;H ) RReel (hS ;H )
20. Sauf si on regle l'apprentissage avec un echantillon de validation V qui est une partie de S (voir au para-
graphe 3.4.5.1).
3.4.3 Risque empirique et risque reel
Soit un ensemble d'apprentissage S = f(xi ; ui )g de taille m et une hypothese h choisie dans
H pour approcher la fonction cible f . Rappelons la denition generale du chapitre 2.
Denition 3.3 (risque empirique)
Le risque empirique de h est donne par :
1 X
m
REmp (h) = m l(ui ; h(xi))
i=1
ou l(ui ; h(xi )) est par denition la fonction de perte qui mesure la dierence entre le resultat
de l'hypothese et la valeur de la cible sur un exemple (voir le chapitre 1).
Le risque reel, ou esperance de risque, est deni par :

Z
R(h) = l(h(x); f (x))dx (3.3)
x2X;D
l'integrale est prise sur l'ensemble des formes x 2 X possibles (voir le chapitre 2).
3.4.3.1 Le cas de la classication
Dans le cas d'un probleme de classication, nous prenons la fonction de perte la plus simple :
(
0 si ui = h(xi )
l(ui ; h(xi )) =
1 si ui =
6 h(xi )
Avec cette fonction de perte, le risque RReel (h) mesure la probabilite de mauvaise classication.
Notons merr le nombre d'exemples de l'ensemble d'apprentissage S qui sont mal classes par
une certaine hypothese h choisie dans H. Le risque empirique (ou taux d'erreur apparent) de h
se mesure alors simplement par :
REmp (h) = mmerr
On detaille souvent les resultats ainsi :
Denition 3.4
La matrice de confusion empirique Memp (i; j ) d'une regle de classication h est une matrice
C C dont l'element generique donne le nombre d'exemples de l'ensemble d'apprentissage S de
la classe i qui ont ete classes dans la classe j .
La somme des termes non diagonaux divisee par la taille m de l'ensemble d'apprentissage
n'est autre que le risque empirique (ou erreur apparente) de la regle de classication.
3.4.3.2 La qualite d'une hypothese
Toujours dans le cas de la fonction de perte precedente, le risque reel d'erreur RReel (h) est
la probabilite d'erreur de h, c'est-a-dire la probabilite que h classe mal un objet.
Quand on a choisi une certaine regle h, on sait que quand m augmente, son risque apparent
REmp (h) converge en probabilite vers son risque reel RReel (h), en vertu de l'application de loi
des grands nombres par les theoremes de Vapnik (voir le chapitre 2).
Mais ceci ne nous indique pas comment choisir H ni comment y selectionner h pour approcher
hH , la regle de H qui minimise le risque reel.

Une technique naturelle est, comme on l'a dit, d'appliquer le principe ERM , donc d'essayer,
par un algorithme d'apprentissage, de selectionner dans H la regle hS ;H qui minimise le taux
d'erreur empirique sur l'ensemble d'apprentissage S .
Cette approche fournit une regle biaisee de maniere optimiste :
REmp(hS ;H) RReel (hS ;H ) RReel(hH ) = RReel (H)
La facon la plus naturelle d'estimer rigoureusement RReel (hS ;H ) est d'utiliser un echantillon
de test T statistiquement independant de S pour faire cette mesure, mais il existe d'autres
methodes. On y reviendra au paragraphe 3.4.5.
3.4.4 La selection de modele en pratique
Nous cherchons donc a approcher hS ;H . Le choix de l'espace des hypotheses que l'on explore
etant laisse libre, il serait utile de savoir a priori comparer deux espaces H et H0 . Mais on ne
dispose en general d'aucune indication sur le sujet. En revanche, une fois choisi H, il est souvent
facile de l'ordonner partiellement en fonction d'un critere. On peut souvent indexer ses elements
par l'ordre de la complexite algorithmique du programme qui realise la fonction de decision
correspondante et parametrer le programme d'apprentissage selon cet index.
Par exemple, on verra au chapitre 11 l'apprentissage de regles de classication representees
par des arbres de decision. On peut ordonner l'espace H de ces arbres en caracterisant un element
par le nombre k de ses noeuds. On verra que cette mesure est directement liee au temps moyen
de calcul que prend le programme correspondant pour classer une donnee inconnue.
Cette approche a ete evoquee sous le nom de selection de modele au chapitre 2. Nous allons
l'examiner de nouveau ici pour en donner un exemple.
On supposera donc que l'on peut denir une suite d'ensembles Hk de complexite 21 croissante
avec k parcourant N et en relation d'inclusion:
H1 : : : Hk Hk+1 : : : H1
Nous supposons egalement que la fonction cible nit par être incluse dans un de ces ensembles
de taille croissante :
f 2 H1
Notons maintenant :
hS ;Hk la regle ayant le risque reel (la probabilite d'erreur) la plus faible de Hk .
hS ;Hk la regle ayant le risque empirique (le taux d'erreur apparent) le plus faible de Hk .
Rappelons que nous faisons l'hypothese simplicatrice que l'algorithme d'apprentisage em-
ploye est ideal du point de vue ERM : il est suppose capable de decouvrir pour tout ensemble
d'apprentissage la regle hS ;Hk dans Hk . Autrement dit, que les regles hS ;Hk et halgo;S ;Hk sont iden-
tiques pour tout S . Ce n'est (helas) pas le cas general, mais cela ne change pas les considerations
qui vont suivre. La gure 3.14 montre ce qui se produit en general quand cette hypothese n'est
pas respectee.
Nous supposons aussi que la valeur k represente un critere pertinent de complexite ; autre-
ment dit, une bonne procedure de classication dans Hk doit être capable de decrire les donnees
d'apprentissage de maniere de plus en plus precise au fur et a mesure que k augmente.
21. Ce mot peut être pris dans son sens algorithmique.
RReel (hS ;Hk )
RReel (Hk )
REmp(hS ;Hk )
k0 k
Fig. 3.13 { Le surapprentissage : variation des risques d'erreur quand la complexite k de l'es-
pace des hypotheses Hk augmente. On remarque les phenomenes suivants :
(1) Le risque empirique REmp(hS ;Hk ) de l'hypothese trouvee par l'algorithme sur
l'ensemble d'apprentissage tend vers 0.
(2) Le risque reel RReel(S ; Hk ) de la meilleure hypothese de Hk tend aussi vers 0,
mais moins vite. Aucun algorithme ne peut la trouver avec certitude.
(3) Le risque reel RReel (hS ;Hk ) de l'hypothese trouvee par l'algorithme sur l'ensemble
d'apprentissage decro^t jusqu'a k0 , puis augmente. Le probleme est donc de trouver
la region de k0 , la meilleure compte tenu de l'algorithme employe et des donnees
d'apprentissage.
On a suppose que l'algorithme d'apprentisage etait capable de trouver hHk , c'est-a-
dire qu'il fonctionne selon le principe ERM et ne commet pas d'erreur d'approxi-
mation.
Que peut-on dire des valeurs relatives des taux apparents d'erreur et des probabilites d'erreur
de hHk et de hHk pour un k donne et quand k varie?
k est constant
1. On a tout d'abord :
RReel (hS ;Hk ) RReel (hHk )
Cette inegalite traduit simplement le fait que la regle la regle hS ;Hk , supposee trouvee
par l'algorithme, n'est en general pas optimale en terme d'erreur reelle, parce que l'en-
semble d'apprentissage ne peut pas parfaitement resumer les distributions de probabilite
des classes. C'est le probleme de toute generalisation.
2. On a aussi en general :
RReel (hHk ) REmp(hS ;Hk )
Cette formule exprime le fait que la regle apprise etant reglee sur les donnees d'apprentis-
sage, elle a tendance a surestimer leurs caracteristiques au detriment d'une generalisation
exacte, dans l'approche ERM .
RReel (hHalgo
k )
RReel (hHk )
REmp(hHalgo
k )
REmp (hHk )
k0 k
Fig. 3.14 { La cas ou l'algorithme d'apprentisage ne trouve pas hHk , mais une regle hH
algo .
k
k augmente
1. On a d'abord en general, pour tout k :
RReel (Hk ) decro^t quand k augmente
REmp(hS ;Hk ) decro^t quand k augmente
En eet, l'erreur apparente de hHk diminue quand k augmente, en general jusqu'a valoir 0
pour k assez grand : dans un espace de regles assez complexe, on peut faire l'apprentissage
par cur d'un echantillon S .
En general la valeur :
RReel (hS ;Hk ) ; REmp(hS ;H )
est positive et augmente avec k.
2. On a aussi, quand k augmente, jusqua un certain 22 k0 :
RReel(hS ;H1 ) RReel (hS ;H2 ) : : : RReel (hS ;Hk0 ;1 ) RReel(hS ;Hk0 )
Ce qui signie qu'augmenter k semble avoir un eet positif, puisque la probabilite d'erreur
de la regle apprise tend a diminuer.
3. Mais au dessus de k0 , l'inegalite s'inverse :
k k0 : RReel (hHk ) RReel (hHk+1 ) : : :
On rencontre donc une valeur k0 au-dela de laquelle compliquer la famille des regles ne
sert plus a rien, puisque la performance reelle du classicateur appris diminuera.
22. Pour simplier, on suppose qu'il existe une valeur unique ; en realite, il s'agit d'une region autour de cette valeur.
Mais cela ne change pas l'argument de fond.
Ce dernier phenomene est appele le surapprentissage (Voir la gure 3.16). Intuitivement, il signie
qu'une regle de classication de trop grande complexite represente trop exactement l'ensemble
d'apprentissage, c'est-a-dire realise en pratique un apprentissage par coeur, au detriment de sa
qualite de generalisation. Il existe par consequent une valeur k0 de compromis, sur laquelle on
ne possede a priori aucune information, qui est la meilleure pour un echantillon d'apprentissage
donne et une famille de regles de classication ordonnee selon la complexite k. La valeur k0 est
donc critique. Pour l'estimer, on peut utiliser un echantillon de validation V (voir le paragraphe
3.4.6).
Dans le cas (general en pratique) ou l'algorithme d'apprentissage n'est pas optimal du point
de vue ERM , la gure 3.14 illustre le même phenomene.
Un exemple
La gure 3.15 presente un exemple de reglage de la valeur k0 , c'est-a-dire de selection de
modele, a partir de l'exemple articiel suivant :
3 3
3
3 3
3
3 3
3
3
3
3
3
3
3 3 3
Fig. 3.15 { L'ellipse centrale est la separatrice bayesienne. On la conna^t car les donnees ont
ete fabriquees articiellement. Son erreur reelle vaut : hBayes = 5 %
L'ellipse de biais est l'hypothese de H2 qui minimise l'erreur apparente. Son erreur
reelle est legerement superieure a hB .
La droite horizontale est l'hypothese de H1 qui minimise l'erreur reelle.
La droite de biais est l'hypothese de H1 qui minimise l'erreur empirique.
La courbe en pointilles est une hypothese de H4 (une courbe de degre 4) dont l'erreur
apparente est nulle mais dont l'erreur relle est largement superieure a hBayes .
Soient deux classes de densite uniforme, l'une a l'interieur de l'ellipse centrale, l'autre entre
40
b
30
b
REmp(hS ;Hk )
20
RReel (hS ;Hk )
b
10 b
b
R(Hk ) b
0
5 k
b
0 1 2 3 4
Fig. 3.16 { La selection de modele sur un exemple.
le rectangle exterieur et cette ellipse. La separatrice optimale est ici articiellement connue : c'est
l'ellipse centrale.
Pour rendre le probleme un peu plus dicile, nous tirons les coordonnees des points d'appren-
tissage selon les distributions uniformes, en ajoutant un bruit gaussien. La separatrice optimale
reste l'ellipse, mais les points des deux classes ne sont plus forcement tous exactement de part et
d'autre de la separatrice. Par exemple, les 40 points que l'on voit sur la gure 3.15 constituent
un ensemble d'apprentissage : ils ont ete tires independamment selon cette distribution uniforme
bruitee. On remarque que le bruitage fait que l'un des points se trouve a l'exterieur de l'ellipse
et un point 3 a l'interieur. L'erreur RBayes n'est donc pas nulle, a cause de ce bruitage. Nous
avons xe cette erreur reelle a 5 %. Sa valeur empirique sur les donnees d'apprentissage est aussi
de 5 % (deux points mal classes sur quarante : 402 = 5 %).
Soit H1 l'ensemble des droites, H2 celui des courbes du second degre, H3 celui des courbes
du troisieme degre, etc.
Pour k = 1, la separatrice optimale hH1 est la droite horizontale au milieu de la gure 3.15.
Pour k = 2, on a par hypothese hH2 = hBayes . La meilleure surface appartient donc a H2 .
On en est certain ici seulement parce que les donnees sont articielles et que hBayes est connue.
Pour k 3, on a : hH2 = hHk = hBayes , puisqu'on peut ramener une courbe de degre
superieur a une courbe du second degre en annulant les coecients necessaires.
La meilleure droite, celle qui minimise l'erreur reelle, se note hH1 . Elle est calculable puisque
les densites de probabilite des deux classes sont articielles : c'est la droite horizontale mediane
de l'ellipse. Son erreur reelle est aussi calculable : elle vaut R(H1 ) = 35 %. Dans notre exemple,
son erreur empirique vaut 10+7 = 42:5 % puisque la matrice de confusion empirique est la
20+20
suivante :
3
10 10
3 7 13
Par exemple, le chire 7 de dans cette matrice signie que sept objets etiquetes 3 ont ete classes
comme .
Un algorithme d'apprentissage de bonne qualite trouve dans H1 la droite hS ;H1 qui minimise
10+1 = 27:5 %, puisque sa matrice de confusion empirique est
l'erreur empirique. Celle-ci vaut 20+20
la suivante :
3
19 1
3 10 10
Comme les distributions sont uniformes et la geometrie xee, on peut mesurer RReel (hS ;H1 ),
qui vaut 45 %.
Dans H2 , cet algorithme trouve hS ;H2 , pour laquelle on a
RRemp(hS ;H2 ) = 201 +

+ 0 = 2:5 %
20
C'est la meilleure ellipse que l'on puisse tracer pour separer les donnees d'apprentissage : elle ne
commet qu'une erreur. RReel (hS ;H2 ) se mesure a environ 10 %.
Nous ne traitons pas le cas de H3 et nous passons directement a H4 .
Dans H4 on peut trouver hS ;H4 telle que REmp (hS ;H4 ) = 0, mais cette fois RReel (hS ;H4 ) a
augmente jusqu'a environ 15 % et depasse REmp (hS ;H2 ).
On a donc k0 = 2 dans cet exemple. En resume :
Regle Courbe Risque empirique Risque reel
hS ;H1 Droite oblique 27:5 % 45 %
hS ;H2 Ellipse penchee 2:5 % 10 %
hS ;H4 Courbe de degre 4 0% 15 %
hH1 Droite horizontale 42:5 % 35 %
hH2 = hBayes Ellipse centrale 5% 5%
3.4.5 L'estimation du risque reel d'une hypothese

3.4.5.1 L'utilisation d'un echantillon de test
Presentation
La methode la plus simple pour estimer la qualite objective d'une hypothese d'apprentissage
h est de couper l'ensemble des exemples en deux ensembles independants : le premier, note A,
est utilise pour l'apprentissage de h et le second, note T , sert a mesurer sa qualite. Ce second
ensemble est appele echantillon (ou ensemble d'exemples) de test. On a S = A[T et A\T = ;
Comme nous allons le voir, la mesure des erreurs commises par h sur l'ensemble de test T est
une estimation du risque reel d'erreur de h. Cette estimation se note :
RbReel (h)
Examinons d'abord le cas particulier de l'apprentissage d'une regle de classication.
Le cas de la classication

Rappelons d'abord la denition d'une matrice de confusion :
Denition 3.5
La matrice de confusion M (i; j ) d'une regle de classication h est une matrice C C dont
l'element generique donne le nombre d'exemples de l'ensemble de test T de la classe i qui ont
ete classes dans la classe j .
Dans le cas d'une classication binaire, la matrice de confusion est donc de la forme :
`+' `-'
`+' Vrais positifs Faux positifs
`-' Faux negatifs Vrais negatifs
Si toutes les erreurs sont considerees comme egalement graves, la somme des termes non
diagonaux de M , divisee par la taille t de l'ensemble de test, est une estimation RbReel (h) sur T
du risque reel de h.
RbReel (h) = i6=j Mt (i; j )
En notant terr le nombre d'objets de l'ensemble de test mal classes, on a donc :
RbReel (h) = terr
t
On a deni plus haut la matrice de confusion empirique : celle de l'ensemble d'apprentissage
sur lui-même ; pour cette matrice, la somme des termes non diagonaux est proportionnelle au
risque empirique, mais n'est pas une estimation du risque reel.
L'intervalle de conance de l'estimation

Quelle conance peut-on accorder a l'estimation RbReel (h)? Peut-on la traduire numeriquement?
La reponse a ces deux questions est donnee de maniere simple par des considerations statistiques
classiques. Si les echantillons aleatoires d'apprentissage et de test sont independants alors la
precision de l'estimation ne depend que du nombre t d'exemples de l'ensemble de test et de la
valeur de RbReel (h).
Il est demontre a l'annexe 18.7 qu'une approximation susante dans le cas ou t est assez
grand (au dela de la centaine) donne l'intervalle de conance de RbReel (h) a x % par la formule :
2 st 3
4 terr (x) t err (1 ; terr
t ) 5
t t
La fonction (x) a en particulier les valeurs suivantes :
x 50 % 68 % 80 % 90 % 95 % 98 % 99 %
(x) 0.67 1.00 1.28 1.64 1.96 2.33 2.58
Par exemple, pour t = 300 et terr = 15, on a RbReel (h) = 0:2 et l'intervalle de conance a
95 % de RbReel (h) vaut :
" r #
; 0:2) [0:25; 0:15]
0:2 1:96 0:2(1300
ce qui signie que la probabilite que RReel (h) soit a l'interieur de cet intervalle est superieure a
95 %.
Si on avait obtenu la même proportion d'erreur sur un echantillon de test de taille 1000, cet
intervalle aurait ete reduit environ de moitie : [0:225; 0:175].
L'estimation du taux d'erreur reel par une mesure sur un echantillon de test T independant de
l'echantillon d'apprentissage A, fournit une estimation non biaisee de RReel (h) avec un intervalle
de conance contrôlable, ne dependant que de la taille t de l'echantillon de test. Plus celle-ci est
grande, plus l'intervalle de conance est reduit et par consequent plus le taux d'erreur empirique
donne une indication du taux d'erreur reel.
Malheureusement, dans la plupart des applications, le nombre d'exemples, c'est-a-dire d'ob-
servations pour lesquelles un expert a fourni une etiquette, est limite. Le plus souvent chaque
nouvel exemple est coûteux a obtenir et il ne peut donc être question d'augmenter a volonte
l'echantillon d'apprentissage et l'echantillon de test. En fait, il existe un con it entre l'interêt
d'avoir le plus grand echantillon possible A pour apprendre, et le plus grand echantillon possible
T pour tester le resultat de l'apprentissage. Comme il est necessaire que les deux echantillons
soient independants l'un de l'autre, ce qui est donne a l'un est retire a l'autre. C'est pourquoi
cette methode de validation est appelee hold-out method par les anglophones. Elle est envisa-
geable lorsque les donnees sont abondantes. Si en revanche les donnees sont parcimonieuses, il
faut avoir recours a d'autres methodes.
3.4.5.2 L'estimation par validation croisee
L'idee de la validation croisee (N-fold cross-validation) consiste a :
Diviser les donnees d'apprentissage S en N sous-echantillons de tailles egales.
Retenir l'un de ces echantillons, disons de numero i, pour le test et apprendre sur les N ; 1
autres.
Mesurer le taux d'erreur empirique RbRi eel (h) sur l'echantillon i.
Recommencer n fois en faisant varier l'echantillon i de 1 a N .
L'erreur estimee nale est donnee par la moyenne des erreurs mesurees :
X
N
RbReel (h) = N1 bi RReel (h)
i=1
On peut montrer que cette procedure fournit une estimation non biaisee du taux d'erreur
reel. Il est courant de prendre pour N des valeurs comprises entre 5 et 10. De cette maniere, on
peut utiliser une grande partie des exemples pour l'apprentissage tout en obtenant une mesure
precise du taux d'erreur reel. En contrepartie, il faut realiser la procedure d'apprentissage N
fois.
La question se pose cependant de savoir quelle hypothese apprise on doit nalement utiliser.
Il est en eet probable que chaque hypothese apprise depende de l'echantillon i utilise pour
l'apprentissage et que l'on obtienne donc N hypotheses dierentes.
Notons d'emblee que si les hypotheses apprises sont tres dierentes les unes des autres (en
supposant que l'on puisse mesurer cette dierence), c'est qu'il faut peut-être y voir une indication
de l'inadequation de l'espace des hypotheses H. Cela semble en eet montrer une grande variance
(en general associee a une grande dimension de Vapnik-Chervonenkis), et donc le risque d'un
apprentissage sans valeur. (Voir la section 2.2.1 dans le chapitre 2).
Le mieux est alors de refaire un apprentissage sur l'ensemble total S . La precision sera bonne
et l'estimation du taux d'erreur est connue par les N apprentissage faits precedemment.
3.4.5.3 L'estimation par la methode du leave-one-out

Lorsque les donnees disponibles sont tres peu nombreuses, il est possible de pousser a
l'extrême la methode de validation croisee en prenant pour N le nombre total d'exemples dis-
ponibles. Dans ce cas, on ne retient a chaque fois qu'un seul exemple pour le test, et on repete
l'apprentissage N fois pour tous les autres exemples d'apprentissage.
Il faut noter que si l'un des interêts de la validation par leave-one-out est de produire des
hypotheses moins variables, on montre en revanche que l'estimation du taux d'erreur est souvent
plus variable que pour des valiations croisees avec un N plus petit.
Cette methode presente l'avantage de la simplicite et de la rapidite ; cependant, dans les cas
ou le nombre total d'exemples dont on dispose est restreint, il peut être interessant de ne plus
distinguer les ensembles d'apprentissage et de test, mais d'utiliser des techniques necessitant
plusieurs passes d'apprentissage : on perdra en temps de calcul mais on gagnera en nesse d'es-
timation relativement a la quantite de donnees disponibles.
3.4.5.4 Quelques variantes de la methode de validation croisee : bootstrap, jackknife

Ces techniques dierent des precedentes en ce qu'elle utilise des tirages avec remise dans
l'ensemble des exemples. Le procede est le suivant : on tire aleatoirement un exemple, pour le
placer dans un ensemble appele boostrap 23 . Le procede est repete n fois et l'apprentissage est
alors eectue sur l'ensemble bootstrap. Un test est fait sur les exemples non presents dans cet
ensemble, donnant une premiere valeur P1 des erreurs du classicateur. Un autre test est fait
sur l'ensemble complet des exemples, donnant la valeur P2 . L'ensemble de l'operation est repete
K fois. Une certaine combinaison lineaire de la moyenne P1 des valeurs P1 et de la moyenne P2
des valeurs P2 obtenues donne la valeur RbReel (h). La theorie ([HTF01]) propose la formule :
RbReel (h) = 0:636 P1 + 0:368 P2
en se basant sur le fait que l'esperance de la proportion des elements non repetes dans l'ensemble
de test est egale a 0:368. Pour de petits echantillons, la methode bootstrap fournit une estimation
remarquablement precise de RReel (h). En contrepartie, elle demande une grande valeur de K
(plusieurs centaines), c'est a dire un nombre eleve d'apprentissages de la regle de classication.
Il existe enn une autre methode proche mais plus complexe d'estimation appelee jackknife 24
qui vise a reduire le biais du taux d'erreur en resubstitution, lorsque des donnees sont utilisees
a la fois pour l'apprentissage et pour le test. Nous renvoyons le lecteur interesse a par exemple
[Rip96] pp.72-73 ou a [Web99]. Ce sont egalement de bonnes references pour le probleme de
l'estimation de performance en general.
23. On sait que le Baron de Munchausen savait s'elever dans les airs en tirant sur ses bottes. La methode du même
nom donne des resultats tout aussi etonnants (quoique ici justies theoriquement et pratiquement).
24. Ou (( couteau suisse )) : un outil multifonction bien pratique.
3.4.6 Le reglage des algorithmes par un ensemble de validation
Lorsque l'on cherche a resoudre un probleme d'apprentissage, on cherche a se decider pour
la meilleure methode, ce qui implique:
le choix du principe inductif ;
le choix d'une mesure de performance, ce qui implique souvent celui d'une fonction de
coût ;
le choix d'un algorithme d'apprentissage ;
le choix de l'espace d'hypotheses, qui depend en partie du choix de l'algorithme ;
le reglage de tous les parametres contrôlant le fonctionnement de l'algorithme.
Generalement l'operateur essaie plusieurs methodes sur le probleme d'apprentissage an de
determiner celle qui semble la plus appropriee a la classe de problemes concernee. Comment
doit-il proceder?
Il faut se meer d'une approche qui semble naturelle. On pourrait en eet croire qu'il sut
de mesurer pour chaque methode la performance empirique mesuree a l'aide de l'une des tech-
niques decrites plus haut, dans la section 3.4.5, faisant appel d'une maniere ou d'une autre a un
echantillon de test. Cela serait cependant commettre la faute de faire dependre cette mesure du
reglage de la methode alors qu'elle doit en être independante. En procedant de la sorte, on s'ar-
range pour minimiser le risque mesure sur l'echantillon de test et l'on regle la methode en fonction
de cet echantillon. A force de vouloir minimiser ce risque, on risque d'adapter etroitement la
methode d'apprentissage a cet echantillon de test. Cela est dangereux car il se peut que, comme
dans le cas du phenomene de surapprentissage, a tant poursuivre ce but, on s'eloigne d'une
diminution du risque reel. C'est pourquoi on prevoit, a côte de l'echantillon d'apprentissage et
de l'echantillon de test, un troisieme echantillon independant des deux autres : l'echantillon de
validation 25 , sur lequel on evalue la performance reelle de la methode.
La technique de separation de l'ensemble d'apprentissage de celui de test peut être ranee
en mettant en uvre la selection de modele de la maniere suivante. On divise les donnees S
supervisees en trois parties : l'ensemble d'apprentissage A, l'ensemble de test T et l'ensemble de
validation V .
La separation des donnees supervisees en trois ensembles est aussi utile pour determiner a
quel moment convergent certains algorithmes d'apprentissage. On y reviendra en particulier au
chapitre 10, a propos des reseaux connexionnistes.
3.4.6.1 Estimation de risque : la courbe ROC
Jusqu'ici nous avons essentiellement decrit des methodes d'evaluation des performances ne
prenant en compte qu'un nombre : l'estimation du risque reel. Cependant, dans un contexte de
prise de decision, il peut-être utile d'être plus n dans l'evaluation des performances et de prendre
en compte non seulement un taux d'erreur, mais aussi les taux de (( faux positifs )) et de (( faux
negatifs )) (disponibles a partir de la matrice de confusion, voir au paragraphe 3.4.5.1). Souvent,
en eet, le coût de mauvaise classication n'est pas symetrique et l'on peut preferer avoir un
taux d'erreur un peu moins bon si cela permet de reduire le type d'erreur le plus coûteux (par
exemple il vaut mieux operer a tort de l'appendice (faux positif), plutôt que de na pas detecter
une appendicite (faux negatif)). La courbe ROC (de l'anglais Receiver Operating Characteristic)
25. La terminologie est ici mal xee dans la communaute : certains auteurs denissent (( echantillon de test )) et
((
echantillon de validation )) a l'inverse. Il faut donc se meer et verier que l'on utilise bien la même convention
que son interlocuteur.
permet de regler ce compromis 26. Nous en detaillons la construction et l'utilisation dans ce qui
suit.
Supposons que l'on caracterise les formes d'entree (par exemple les patients) par une grandeur
qui peut resulter de la combinaison d'examens (par exemple prenant en compte l'âge du patient,
les antecedents familiaux, sa pression arterielle, etc.). On peut alors etablir un graphique pour
chaque classe donnant la probabilite d'appartenir a cette classe en fonction de la grandeur (voir
la gure 3.17).
Probabilité
de la classe
Classe '-' Classe '+'

Tous de la Tous de la
classe '-' classe '+'
Critère de décision
Fig. 3.17 { Courbes correspondant aux classes `+' et `-'.

Dans une deuxieme etape, on determine pour chaque seuil de la grandeur la probabilite
qu'un diagnostic positif soit correct. Cette probabilite est determinee a partir de la fraction de
l'echantillon d'apprentissage pour laquelle la prediction est exacte. L'aire totale sous la courbe
represente cent pour cent de chaque population (voir la gure 3.18).
La troisieme etape correspond a la construction de la courbe ROC. Pour chaque seuil, on
reporte la proportion de (( vrais positifs )) en fonction de celle des (( faux positifs )). Si l'on obtient
une droite, on doit conclure que le test a 50 % de chances de conduire au bon diagnostic. Plus la
courbe s'incurve vers le haut, plus le test est pertinent (le rapport des (( vrais positifs )) sur les
(( faux positifs )) augmente). La pertinence est mesur ee par l'aire sous la courbe ; elle augmente
avec sa courbure (voir la gure 3.19).
On peut ainsi etablir des courbes ROC pour plusieurs combinaisons pour n'importe quel
systeme de classication.
Lorsque l'on a trouve un systeme de classication juge susamment bon, il reste a choisir le
seuil pour un diagnostic `classe +' / `classe ;'. Le choix du seuil doit fournir une proportion de
vrais positifs elevee sans entra^ner une proportion inacceptable de faux positifs. Chaque point
de la courbe represente un seuil particulier, allant du plus severe : limitant le nombre de faux
positifs au prix de nombreux exemples de la classe `+' non diagnostiques (forte proportion de
faux negatifs, c'est-a-dire faible proportion de vrais positifs), aux plus laxistes : augmentant le
nombre de vrais positifs au prix de nombreux faux positifs (voir la gure 3.19). Le seuil optimal
pour une application donnee depend de facteurs tels que les coûts relatifs des faux positifs et
faux negatifs, comme de celui de la prevalence de la classe `+'. Par exemple un operateur (de
26. Ces courbes ont ete utilisees pour la premiere fois lors de la deuxieme guerre mondiale quand, dans l'usage des
radars, on a voulu quantier leur capacite a distinguer des interferences de nature aleatoire du signal indiquant
reellement la presence d'aeronefs.
Probabilité
de la classe
Classe '+'
Faux Vrais
négatifs positifs
(10%) (90%)
Probabilité
de la classe
Classe '-'
Vrais Faux
négatifs positifs
(50%) (50%)
Fig. 3.18 { Seuil decidant pour chaque classe des (( vrais positifs )), (( faux negatifs )), (( faux
positifs )) et (( vrais negatifs )).
telephonie ou de cha^ne cablee) cherche a detecter des problemes d'attrition (voir l'avant-propos,
page xxi) : quels sont les abonnes susceptibles de le quitter? 27 . Ces abonnes fuyants sont peu
nombreux, mais tres coûteux. On cherchera donc a essayer d'en detecter le maximum an de
tenter de les retenir, quitte a detecter aussi quelques faux. On utilisera alors un seuil (( laxiste )).
3.4.7 D'autres criteres d'appreciation
En plus des criteres numeriques, il existe un certain nombre de qualites qui permettent de
distinguer une hypothese parmi d'autres.
L'intelligibilite des resultats d'apprentissage
Dans le cas ou l'hypothese apprise est une grammaire ou un ensemble de regles logiques,
par exemple, elle peut être munie d'une semantique directement interpretable dans le lan-
gage de l'ingenieur ou de l'expert. Il est important dans ce cas qu'elle soit comprehensible.
Cette faculte d'intelligibilite a deja ete evoquee dans l'avant-propos de ce livre (page ix) :
nous y avons fait remarquer que la discipline de l'extraction de connaissances dans les
donnees faisait grand cas de cette intelligibilite et que parfois l'apprentissage d'un petit
nombre de regles comprehensibles valait mieux qu'un fouillis de regles sophistiquees, même
avec une performance objective superieure.
La simplicite des hypotheses produites
27. On les appelle les churners (de churn : baratte) dans le jargon du metier. On parle aussi d'attrition (voir l'avant-
propos).
P ROPORTION DE VRAIS NEGATIFS P ROPORTION DE VRAIS NEGATIFS

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
1,0 1,0 1,0 1,0
0,9 0,9 0,9 Seuil "laxiste" 0,9
0,8 0,8 0,8 0,8
Probabilité
de la classe
Courbe ROC Classe '+'
PROPORTION DE FAUX NEGATIFS
PROPORTION DE FAUX NEGATIFS

PROPORTION DE VRAIS POSITIFS
PROPORTION DE VRAIS POSITIFS
(pertinence = 0,90) Faux

négatifs
(10%)
Vrais
positifs
(90%)
0,7 0,7 0,7 0,7
Critère de déci-
sion
Probabilité
de la classe
Classe '-
0,6 0,6 0,6 ' 0,6
Seuil "sévère" Vrais
négatifs
Faux
positifs
Probabilité
de la classe
0,5 0,5 0,5 Classe '+' (50%) (50%)
0,5
Critère de déci-
Faux Vrais sion
négatifs positifs
Ligne de hasard
0,4 0,4 0,4 0,4
(pertinence = 0,5) Critère de déci-
sion
Probabilité
de la classe
Classe '-
'
0,3 0,3 0,3 Vrais Faux 0,3
négatifs positifs
0,2 0,2 0,2 Critère de déci-

0,2
sion
0,1 0,1 0,1 0,1
0 0 0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
P ROPORTION DE FAUX POSITIFS P ROPORTION DE FAUX POSITIFS
Fig. 3.19 { Une courbe ROC a gauche. Deux seuils sur cette courbe a droite.
Ce critere est relie au precedent. Il releve d'un argument rhetorique classique, le rasoir
d'Occam, qui arme qu'il ne sert a rien de multiplier les (( entites )) inutiles 28, autrement
dit qu'une explication simple vaut mieux qu'une explication compliquee. Ce principe a
ete rationnalise par certains chercheurs dans le domaine de la theorie de l'apprentissage
[LV97].
Le taux de couverture
Dans le cas d'apprentissage de concept, sans contre-exemples, on utilise parfois la mesure
de qualite d'une hypothese appelee le taux de couverture. C'est la proportion d'exemples
positifs qui sont couverts par l'hypothese.
3.5 La comparaison des methodes d'apprentissage

On peut toujours utiliser dierents algorithmes d'apprentissage sur une même tâche. Com-
ment interpreter la dierence de performance mesuree empiriquement entre deux algorithmes?
Plus concretement, est-ce qu'un algorithme dont la performance en taux d'erreur de classication
binaire vaut 0.17 est meilleur qu'un autre dont la performance mesuree est de 0.20?
La reponse n'est pas evidente, car la performance mesuree depend a la fois des caracteristiques
des tests empiriques eectues et des echantillons de tests utilises. Departager deux systemes sur
une seule mesure est donc problematique. La même question se pose d'ailleurs pour deux hy-
potheses produites par le même algorithme a partir de conditions initiales dierentes.
Toute une litterature porte sur ce probleme et nous n'en esquissons que les grandes lignes
dans ce qui suit. On ne saurait être trop attentif a ces questions lorsque l'on teste eectivement
des systemes, sous peine d'armer a peu pres n'importe quoi.
Lors de la comparaison entre deux algorithmes, ou de deux hypotheses produites par le même
28. Frustra t per plura, quod eri potest per pauciora, classiquement traduit par : It is vain to do with more what
can be done with less. Ou Essentia non sunt multiplicanda praeter necessitatem. Entities should not be multiplied
unnecessarily. Guillaume d'Occam (1288-1348).
algorithme a partir de conditions initiales dierentes, il faut distinguer le cas ou l'on se base sur
des echantillons de test identiques ou dierents. Nous allons traiter rapidement les deux cas.
3.5.1 La comparaison de deux hypotheses produites par un même algorithme
sur deux echantillons de test dierents.
Soient deux hypotheses h1 et h2 produites par le même algorithme d'apprentissage 29 et deux
ensembles de test T1 et T2 de taille t1 et t2 . On suppose ici que ces deux echantillons de test sont
independants : ils sont obtenus l'un et l'autre par tirage i.i.d. selon la même distribution. Nous
cherchons ici a estimer la quantite :
R (h1 ; h2 ) = RReel (h1 ) ; RReel (h2 )
Si nous disposons d'estimateurs de ces deux risques reels, il est possible de montrer qu'un
estimateur de leur dierence s'ecrit comme la dierence des estimateurs :
bR (h1 ; h2 ) = RbReel (h1 ) ; RbReel (h2 )
En notant terr;1 le nombre d'objets de l'ensemble de test T1 mal classes par l'hypothese h1
et terr;2 le nombre d'objets de l'ensemble de test T2 mal classes par l'hypothese h2 , on a donc :
bR (h1 ; h2 ) = terr; 1 terr;2
t ; t
1 2
L'intervalle de conance a x % de cette valeur est donne par la formule 3.4 :
2 s terr; terr; ) terr; (1 ; terr; )
3
4 RbReel (h) (x) t (1 ; t
1
t
1
t 5
2 2
t1
1
+ 1
t2
2 2
(3.4)
3.5.2 La comparaison de deux algorithmes sur des ensembles de test dierents

Prenons maintenant une situation que l'on rencontre souvent dans la pratique : on dispose de
donnees d'apprentissage et on cherche quel est l'algorithme a leur appliquer, parmi une panoplie
disponible. Par exemple si on cherche un concept dans IRd , donc si les donnees d'apprentis-
sage sont numeriques et leur supervision positive ou negative, on peut chercher une fonction
separatrice sous la forme d'un hyperplan (chapitre 9), ou essayer un reseau connexionniste (cha-
pitre 10), ou prendre la regle des k-ppv (chapitre 14), etc. Comment choisir en pratique la
meilleure?
Supposons avoir a notre disposition deux algorithmes A1 et A2 et un ensemble de donnees
supervisees. La methode la plus simple est de diviser cet ensemble en deux parties disjointes S
et T et de faire fonctionner A1 et A2 sur S (eventuellement en reglant des parametres avec une
partie V de S ), puis de comparer les performances sur T . Deux questions se posent :
Peut-on accorder une bonne conance a cette comparaison?
Peut-on faire une comparaison plus precise avec les mêmes donnees?
La reponse a la premiere question est plutôt negative. La principale raison en est que
l'echantillon d'apprentissage etant le même pour les deux methodes, ses particularites seront
ampliees par la comparaison. Ce que l'on cherche est quel est le meilleur algorithme non pas
sur S , mais sur la fonction cible dont les exemples de S ne sont que des tirages aleatoires.
29. Sur deux ensembles d'apprentissage dierents ou sur le même, en changeant dans ce cas les conditions initiales,
par exemple.
Pour repondre positivement a la seconde question, il faut donc utiliser une technique qui
brasse aleatoirement les donnees d'apprentissage et de test, comme la validation croisee.
Un algorithme ecace est donne ci-dessous (3.2).
Algorithme 3.2 La comparaison de deux algorithmes d'apprentissage
Partitionner les donnees d'apprentissage S [ T en Q parties egales.
On les note : T1 ; Ti ; : : : ; TQ .
pour i = 1; Q faire
Si D ; Ti
Faire tourner l'algorithme A1 sur Si . Il fournit l'hypothese h1i .
Faire tourner l'algorithme A2 sur Si . Il fournit l'hypothese h2i .
i Ri1 ; Ri2 , ou Ri1 et Ri2 sont les taux d'erreur de h1i et h2i sur Ti
n pourP
1 Q
Q i=1 i
L'intervalle de conance a x % de , qui est un estimateur de la dierence de performance

entre les deux algorithmes, est alors donne par la formule :
2 v
u 3
u
4 (x; k) t 1 X
k
2 5
k(k ; 1) (i ; )
i=1
La fonction (x; k) tend vers (x) quand k augmente, mais la formule ci-dessus n'est valable
que si la taille de chaque Ti est d'au moins trente exemples. Donnons-en quelques valeurs :
x 90 % 95 % 98 % 99 %
(x; 2) 2.92 4.30 6.96 9.92
(x; 5) 2.02 2.57 3.36 4.03
(x; 10) 1.81 2.23 2.76 3.17
(x; 30) 1.70 2.04 2.46 2.75
(x; +1) = (x) 1.64 1.96 2.33 2.58
3.5.3 La comparaison de deux algorithmes sur le même ensemble de test
Si les ensembles tests sur lesquels sont evalues les deux algorithmes sont les mêmes, alors
les intervalles de conance peuvent être beaucoup plus serres dans la mesure ou l'on elimine la
variance due a la dierence entre les echantillons de test.
Dietterich a publie en 1997 un long article ([Die97]) sur la comparaison des algorithmes
d'apprentissage sur le même ensemble de test. Il a examine cinq tests statistisques an d'etudier
la probabilite de detecter une dierence entre deux algorithmes alors qu'il n'y en a pas.
Soient donc deux hypotheses de classication h1 et h2 . Notons :
n00 = Nombre d'exemples de tests mal classes par h1 et h2
n01 = Nombre d'exemples de tests mal classes par h1 , mais pas par h2
n10 = Nombre d'exemples de tests mal classes par h2 , mais pas par h1
n11 = Nombre d'exemples de tests correctement classes par h1 et h2 .
Soit alors la statistique z :
z = pjnn01 ;+nn10 j
10 01
L'hypothese que h1 et h2 aient le même taux d'erreur peut être rejetee avec une probabilite
superieure a x %) si jz j > (x). La fonction (x) est la même que celle du paragraphe 3.4.5.1.
Ce test est connu sous le nom de test couple (paired test) de McNemar ou de Gillick.
Notes historiques et bibliographiques

La theorie de l'optimisation est un domaine mûr : bien developpe et stable. On peut en
trouver des exposes synthetiques dans de nombreux ouvrages, par exemple [BSS92, Fle88, Lue84,
Man94].
Resume
Ce chapitre a aborde la representation des connaissances pour les objets et les

concepts, les methodes de base pour la recherche d'une hypothese d'apprentissage
et les techniques de la mesure de qualite d'une hypothese. Les points suivants ont
ete traites :
Les objets d'apprentissage sont decrits par des attributs qui peuvent être
numeriques, symboliques, sequentielles, mixtes.
Avant toute phase d'apprentissage, on peut chercher a nettoyer les donnees,
en particulier en eliminant les attributs inutiles
Les hypotheses d'apprentissage doivent aussi être representees. Un grand
nombre de possibilites existent : classes, valeurs numeriques, arbres,
modeles bayesiens et markoviens, grammaires, formules logiques. Toutes ces
representations ne sont pas compatibles avec tous les types de donnees.
Une fois l'espace des hypotheses deni, il faut pouvoir l'explorer. Les methodes
de gradient, discret et numerique sont des techniques de base utilisees dans
beaucoup d'algorithmes d'apprentissage pour la recherche d'une bonne solu-
tion.
Il faut aussi savoir mesurer la qualite d'une hypothese produite par un algo-
rithme : les techniques par ensemble de test et ensemble de validation ainsi que
les methodes par validation croisee sont a la base de cette mesure.
Il est aussi essentiel de savoir comparer deux algorithmes d'apprentissage sur
des jeux de donnees identiques ou non, pour savoir lequel est le plus ecace
dans cette situation particuliere.
122
Premiere Partie : Les Fondements de l'Apprentissage
Deuxieme partie
Apprentissage par exploration
Chapitre 4
Induction et relation d'ordre :
l'espace des versions
La premiere partie de ce livre a ete devolue aux concepts fondamentaux de l'ap-

prentissage articiel. Ce chapitre est le premier de ceux destines a presenter des
techniques d'apprentissage. Il presente une technique generale d'induction supervisee
de concepts a partir d'exemples et de contre-exemples.
L'apprentissage de concept a longtemps ete envisage uniquement comme une re-
cherche par approximation successive d'une hypothese coherente avec l'echantillon
de donnees. La notion d'espace des versions a profondement renouvele cette maniere
de voir. De fait, l'espace des versions n'est rien d'autre que l'ensemble de toutes les
hypotheses, prises dans un ensemble H donne a priori, qui sont coherentes avec les
donnees d'apprentissage. Cet ensemble est en general trop grand pour être manipule
tel quel, mais il se trouve que si une relation de generalite entre hypotheses peut
être denie sur H, alors il devient possible de denir deux ensembles nis S et G
qui ont la propriete de denir implicitement tous les concepts coherents, c'est-a-dire
l'espace des versions. L'apprentissage revient alors a construire et a adapter ces deux
ensembles frontiere : c'est ce que fait l'algorithme d'elimination des candidats.
Ce chapitre constitue un pivot entre les chapitres conceptuels et les chapitres plus
appliques. Il nous permettra d'examiner un exemple clair d'articulation entre la no-
tion d'espace des hypotheses coherentes discutees dans le chapitre 2 et les principes
des methodes d'exploration de l'espace des hypotheses exposes dans le chapitre 3.
126
oici un petit probleme d'apprentissage. J'ai devant moi quatre oiseaux, deux ca-
V nards et deux manchots. Les attributs suivants sont susants pour les decrire : la
forme de leur bec, leur Taille, leur Envergure et la Couleur de leur cou. Le premier
nous indique si le bec est Aplati ou non, les deux suivants se mesurent en centimetres
et le dernier peut prendre les valeurs Roux, Orange, Gris ou Noir. Ces oiseaux sont etiquetes
soit + (les canards), soit ; (les manchots) et je veux apprendre un concept coherent avec les
exemples, une formule qui explique tous les canards et rejette tous les manchots.
Je me donne un langage de representation pour les concepts : je vais les ecrire comme une
conjonction de certaines proprietes sur les attributs. Par exemple, la formule logique suivante :
[Aplati = V RAI ] ^ Taille 2 [30; 40] ^ Envergure 2 [;1; +1] ^ [Couleur = CouleurChaude]
est un concept qui represente l'ensemble des oiseaux dont le bec est de la forme Aplati, dont la
taille est comprise entre 30 cm et 50 cm, dont l'envergure est indierente et dont la couleur du
cou est soit Roux, soit Orange. Ce qui peut s'ecrire, dans une syntaxe plus legere, comme :
(V RAI; [30; 50]; ?; CouleurChaude)
Je me trouve devant mes quatre oiseaux que je vais examiner les uns apres les autres. Ils
sont representes par le tableau suivant :
Aplati Taille Envergure Couleur Classe
e1 = V RAI 30 49 Roux + (canard)
e2 = FAUX 70 32 Gris ; (manchot)
e3 = V RAI 40 46 Orange + (canard)
e2 = FAUX 60 33 Orange ; (manchot)
Je commence par le premier exemple, un canard. Comment ecrire, dans le langage des concepts,
une hypothese de generalisation compatible pour le moment avec lui seul? Pourquoi pas juste-
ment :
Mais si je veux être prudent, je peux aussi produire le concept qui se contente de memoriser ce
premier exemple :
(V RAI; [30; 30]; [49; 49]; Roux)
J'ai egalement une solution radicalement inverse, induire le concept universel :
(V RAI _ FAUX ) ^ [;1; +1] ^ [;1; +1] ^ Couleur = ( ?; ?; ?; ?)
qui signie que j'accepte a partir de cet exemple unique de considerer comme coherents tous les
oiseaux que peut decrire mon langage des hypotheses.
Si je considere maintenant le second exemple, il est clair que cette derniere possibilite doit
être eliminee puisqu'elle couvre desormais un contre-exemple. Je peux la (( couper au ras )) de
ce contre-exemple 1 selon l'un des attributs. Il y a six solutions, parmi lesquelles :
v1 = ( ? ; [;1; 69]; ? ; ?)
v10 = ( ? ; ? ; ? ; CouleurChaude)
1. C'est-a-dire en excluant avec ce contre-exemple le minimum de ce que le langage des hypotheses impose d'exclure
avec lui.
Chapitre 4 Induction et relation d'ordre : l'espace des versions 127
Je peux aussi conserver ma politique prudente et produire:
v2 = (V RAI; [30; 30]; [49; 49]; Roux)
qui est toujours coherent vis-a-vis de mes deux exemples. J'aurais aussi pu generer, entre autres :
v3 = ( ?; [;1; 31]; ? ; ?)
v4 = (V RAI; [0; 35]; [46; +1]; Roux)
Il est intuitif de verier que le concept v1 est plus general que v4 et v2 , et que de même v4 est
plus general que v2 . En revanche, bien que v3 soit apparemment un concept tres vaste, on ne
peut pas dire qu'il soit plus general que v4 : il contient par exemple l'objet [V RAI; 33; 50; Roux]
que v4 ne contient pas. Cet exercice sera continue plus loin et la notion intuitive de concept
(( plus g
eneral )) qu'un autre sera formalisee. Pour le moment, retenons quelques principes qui
gouvernent cette facon de proceder :
Une formule du langage des concepts decrit un ensemble d'objets (ici, d'oiseaux).
Les concepts sont relies entre eux par une relation de generalite, qui re ete l'inclusion des
ensembles d'objets qu'ils representent.
Le nombre de concepts coherents avec les exemples est tres grand (ou inni, si la taille des
objets n'est pas mesuree en nombres entiers).
Les exemples sont introduits les uns apres les autres et a chaque fois l'ensemble courant
d'hypotheses se modie pour qu'elles restent coherentes avec les exemples deja vus.
Ce chapitre a pour objet de formaliser ces notions, en particulier grâce a l'introduction d'une
relation d'ordre dans l'espace des concepts. Il va aussi montrer qu'il est possible de calculer, en
traitant sequentiellement les exemples, deux ensembles nis S et G de concepts a partir desquels
on peut deduire tous ceux qui acceptent les exemples et refusent les contre-exemples.
H L'ensemble de toutes les hypotheses, choisi par l'apprenant

LX Le langage de description des exemples
LH Le langage de description des hypotheses
couverture(h) L'ensemble des exemples couverts par l'hypothese h
: : : est plus specique que : : :
: : : est plus general que : : :
> L'element maximal de H
? L'element minimal de H
hps L'hypothese la plus specique coherente avec un ensemble d'exemples
hpg L'hypothese la plus generale coherente avec un ensemble d'exemples
_ La disjonction logique
^gen La conjonction logique
)
spe
Un operateur de generalisation
) Un operateur de specialisation
128 PARTIE 2 : Apprentissage par exploration.
4.1 Les concepts de base

4.1.1 La description des attributs, la description des concepts
Nous disposons d'un ensemble d'apprentissage de m exemples S = f(xi ; ui ); i = 1; mg,
avec ui valant soit V RAI ou + (exemple du concept a apprendre), soit FAUX ou ; (contre-
exemple). L'ensemble des exemples positifs est note S+ , celui des exemples negatifs S; . Les
valeurs x sont prises dans un espace de representation 2 X , qui est une combinaison d'attributs
de nature diverse. Nous considerons ici que les attributs peuvent être :
Binaires : le bec d'un oiseau est Aplati ou non.
Numeriques comme l'Envergure.
Nominaux comme la Couleur. En general, un attribut nominal est simplement une enume-
ration de valeurs possibles comme Couleur = fRouge; Orange; Gris; Noirg. Cet ensemble
de valeurs possibles s'appelle un domaine. Mais une hierarchie peut exister sur ces valeurs,
comme dans notre exemple d'introduction :
CouleurChaude = fRouge; Orangeg,
CouleurFroide = fGris; Noirg et
Couleur = fCouleurChaude; CouleurFroideg.
On sait dans ce cas que l'attribut est appele arborescent (voir le chapitre 3 et la gure 4.1).
Couleur
Couleur-chaude Couleur-froide
Rouge Orange Gris Noir
Fig. 4.1 { L'attribut Couleur est arborescent.
On cherche a apprendre des hypotheses, ou concepts, qui sont des elements ecrits dans LH ,
le langage des hypotheses 3 (voir le chapitre 1). LH peut être deni de facons variees, mais
nous pouvons deja donner deux exemples : le premier langage est la logique des propositions sur
des selecteurs, qui est apparu informellement dans l'exemple d'introduction ; le second langage
permet de decrire des unions de deux rectangles dans le plan discret. Il sera explicite un peu
plus loin.
4.1.2 Les selecteurs
Il est frequent dans l'apprentissage par l'espace de versions que le langage LH choisi pour
representer les concepts soit, comme dans l'exemple liminaire, une partie de la logique des
2. L'espace de representation est note LI (pour Language of Instances) dans la terminologie originale de l'espace des
versions.
3. Dans le vocabulaire classique de l'espace des versions, le langage des hypotheses est souvent note LG (pour
Language of Generalizations).
propositions. Plus precisement, il s'agit souvent d'une conjonction de proprietes binaires sur les
attributs des exemples. On appelle selecteurs ces proprietes, que l'on peut denir ainsi :
Denition 4.1
Un selecteur est une application agissant sur un seul attribut de l'espace de representation des
donnees, a valeurs dans fVRAI, FAUXg.
Selon la nature des attributs, un selecteur prend des formes dierentes :
Si l'attribut est binaire, le selecteur s'ecrit (attribut = V RAI ) ou (attribut = FAUX ) ; sa
valeur V RAI ou FAUX se deduit directement de celle de l'attribut.
Si l'attribut est nominal de domaine D, le selecteur s'ecrit (attribut 2 D0 ), avec D0 D.
Il est V RAI si l'attribut prend une valeur de D0 , FAUX sinon.
Si l'attribut est arborescent, le selecteur s'ecrit (attribut = V ), ou V est une valeur attachee
a un nud de l'arbre. Il est V RAI si la valeur de l'attribut est un nud compris au sens
large entre V et une feuille de l'arbre.
Si l'attribut est numerique, le selecteur est deni par un intervalle de IR. Il est V RAI si
la valeur est incluse dans cet intervalle, bornes comprises.
Pour revenir a notre exemple de depart, le concept :
[Aplati = V RAI ] ^ Hauteur 2 [30; 50] ^ Largeur 2 [;1; +1] ^ [Couleur = CouleurChaude]
qui s'ecrit de maniere simpliee :
est compose d'une conjonction de quatre selecteurs, un pour chaque attribut. L'attribut Aplati
est binaire, Taille et Envergure sont numeriques et Couleur est arborescent, comme le montre
la gure 4.1. Sur l'objet :
Bec Aplati Taille Envergure Couleur du cou
V RAI 60 46 Noir
le premier selecteur est V RAI , le second est FAUX , le troisieme est V RAI et le quatrieme est
FAUX .
4.1.3 La relation de generalite entre les hypotheses
Nous avons vu dans la section 1.5, que l'induction supervisee pouvait être consideree comme
un jeu entre l'espace des exemples et l'espace des hypotheses. Le processus d'apprentissage teste
les hypotheses candidates de H sur les exemples d'apprentissage dans X . Les informations ainsi
glanees servent a determiner d'autres hypotheses candidates, et ainsi de suite jusqu'au critere
d'arrêt.
Nous supposons ici que les exemples d'apprentissage sont consideres sequentiellement, donc
qu'a l'etape t l'apprenant a fabrique une hypothese candidate ht coherente avec l'echantillon
d'apprentissage partiel St . Un nouvel exemple d'apprentissage z t+1 = (xt+1 ; ut+1 ), avec ut+1 2
fV RAI; FAUX g devient alors disponible. Il y a deux possibilites : soit il est correctement classe
par l'hypothese courante ht , donc ht (xt+1 ) = ut+1 , auquel cas il n'y a pas de raison de modier
ht et l'on a simplement ht+1 = ht , soit xt+1 n'est pas correctement classe par ht . Deux cas sont
alors possibles.
L'exemple est de classe negative, c'est un contre-exemple du concept cible, et il est in-
correctement classe comme positif par ht+1 . Cela signie que la partie de X (( couverte ))
par ht+1 est trop grande, au moins en ce qui concerne le point xt+1 , (donc que le concept
courant n'est plus correct). Il faut donc la reduire, c'est-a-dire chercher une sous-partie
excluant xt+1 mais couvrant tous les exemples positifs de St .
Au contraire, xt+1 est de classe positive, et il est incorrectement classe comme negatif par
ht+1 . Dans ce cas, cela signie que la partie de X (( couverte )) par ht+1 est trop petite, au
moins en ce qui concerne le point xt+1 (donc que le concept courant n'est plus complet). Il
faut donc l'augmenter, c'est-a-dire chercher une sur-partie incluant xt+1 mais ne couvrant
aucun des exemples negatifs de St (voir la gure 4.2).
Dans les deux cas, il est patent que l'hypothese courante doit être modiee en fonction des
relations d'inclusion dans X . Il faut donc trouver une relation entre les hypotheses dans H qui
respecte la relation d'inclusion dans X . On parle de relation de generalite entre les hypotheses.
Nouvel exemple : (xm+1 ,-1) Nouvel exemple : (xm+1 ,+1)
0 0
+
hm+1
0 0
hm
0 0 hm 0
+ +
+ +
+ hm+1 +
0 0
+ + + +
0 0
+ +
+ 0 + 0
0 0
X X
(a) (b)
Fig. 4.2 { Lorsqu'un nouvel exemple est mal classe par l'hypothese courante, il faut modier
celle-ci soit en la reduisant au sens de l'inclusion (a) an d'exclure le nouvel exemple
s'il est negatif, soit en l'augmentant (b) s'il est positif.
Plus formellement, nous dirons qu'une hypothese h1 est plus specique ou encore moins
generale qu'une hypothese h2 si et seulement si l'ensemble des exemples couverts par h1 est
inclus dans l'ensemble des exemples couverts par h2 .
Denition 4.2 (Couverture d'une hypothese)
La couverture d'une hypothese h 2 H, notee couverture(h), est l'ensemble des exemples de X
que decrit h. On dit que h couvre les elements de couverture(h).
Denition 4.3 (Relation de generalite dans H)

Une hypothese h1 est plus specique 4 (ou moins generale) qu'une hypothese h2 , ce qui se note
h1 h2 , si et seulement si couverture(h1 ) couverture(h2 ).
Les relations et sur H sont illustrees dans les gures 4.3 et 4.4.
4. Cette relation est a prendre au sens large : toute hypothese est plus specique qu'elle-même.
0
couverture(hm)
0
0
hm
0
+ +
+
0
+ hm+1
+
0
+
0
+
couverture(hm+1)
0
X
H
Fig. 4.3 { La relation d'inclusion dans X induit la relation de generalisation dans H. Ici,
hm+1 hm .
couverture(hm+1) 0
0 + hm+1
0
+ +
+
0 hm
+ +
0
+
0
+
couverture(hm)
0
X hm+1
Fig. 4.4 { La relation d'inclusion dans X induit la relation de generalisation dans H. Ici,
hm+1 hm .
4.1.4 La relation entre un objet et un concept

Nous nous situons dans ce chapitre dans le cadre du principe inductif ERM , qui a ete decrit
au chapitre 2. En pratique, cela signie que chaque hypothese sera evaluee en fonction de sa
performance mesuree sur l'echantillon d'apprentissage, c'est-a-dire de son risque empirique. Un
cas particulier d'induction est celui ou l'on cherche une hypothese s'accordant parfaitement aux
donnees, ne faisant aucune erreur sur les exemples d'apprentissage. Le risque empirique est alors
mesure sur chaque exemple par la fonction de perte binaire :
(
0 si ui = h(xi )
l(ui ; h(xi )) =
1 si ui 6= h(xi )
Le risque empirique sur l'echantillon d'apprentissage S s'ecrit alors :
X
REmp (h) = l(ui; h(xi ))
S
Il mesure le nombre d'erreurs commises par l'hypothese h sur l'echantillon d'apprentissage.

Denition 4.4 (Hypothese coherente, correcte, complete)
Lorsque le risque empirique associe a une hypothese est nul, on dit que l'hypothese est coherente 5 .
Cela signie :
1. Que tous les exemples positifs de l'echantillon d'apprentissage sont correctement etiquetes
par l'hypothese : on dit aussi que l'hypothese (( couvre )) tous les exemples positifs. L'hy-
pothese est alors dite complete.
2. Que tous les exemples negatifs sont correctement classes par l'hypothese, c'est-a-dire rejetes
comme ne faisant pas partie du concept. On dit alors que l'hypothese ne couvre pas les
exemples negatifs : elle est dite correcte.
Si l'on suppose que les exemples etiquetes sont issus d'un concept cible, un risque empi-
rique nul signie que, sur l'echantillon d'apprentissage au moins, le concept cible et l'hypothese
consideree concident.
0
0
+
0
+
+
0
+ +
0
+ h2
+
h3 0 h1
X
Fig. 4.5 { La notion de couverture des exemples (gures par des (( + ))) et des contre-exemples
(gures par des (( 0 ))) par les hypotheses. Les hypotheses sont ici gurees par le sous-
espace des exemples qu'elles couvrent dans l'espace X . Les hypotheses h1 , h2 et h3
sont respectivement complete mais incorrecte, correcte mais incomplete, et complete
et correcte, c'est-a-dire coherente.
4.2 La structuration de l'espace des hypotheses

4.2.1 Preliminaires
Dans sa version de base, la methode de l'espace des versions a pour but de resoudre le
probleme suivant :
trouver tous les elements de H coherents avec les exemples.
Comme on le verra, la relation de generalite sur H permet d'eviter une enumeration complete
de ses individus, tout en gardant la possibilite de verier pout tout concept s'il est coherent on
non avec les donnees d'apprentissage.
5. Nous evitons ici l'anglicisme (( consistant )) qui est souvent employe. Il se confond souvent avec la (( consistance ))
de la methode ERM , pour laquelle nous employons le mot (( pertinence )) (voir le chapitre 2).
Il est a noter que cette methode de base exclut le bruit dans les donnees d'apprentissage,
c'est-a-dire qu'elle ne sait pas traiter le cas ou deux objets identiques sont l'un etiquete positif,
l'autre etiquete negatif.
Il est commode de supposer que le langage de generalisation inclut le langage de representa-
tion des exemples : ainsi, chaque exemple peut être considere comme une hypothese ne couvrant
que cet exemple, qui s'ecrit comme l'exemple lui-même. C'est ce que l'on appelle l'astuce de la
representation unique (single representation trick) . Ce n'est pas tout a fait le cas du probleme
d'apprentissage donne en introduction, puisque l'exemple :
Aplati Taille Envergure Couleur Classe
e1 = V RAI 30 49 Roux +
s'ecrit dans le langage des concepts de maniere un peu dierente :
(V RAI; [30; 30]; [49; 49]; Roux)

Mais la correspondance est assez directe pour que l'on puisse ignorer la fonction de transforma-
tion. Il existe des cas ou cette transformation est plus complexe 6 .
Pour simplier, nous supposerons dans la suite sans reelle perte de generalite que
LX LH (4.1)
LX est donc identie a un sous-ensemble de LH, ce que l'on peut exprimer d'une autre facon :
un exemple est le concept qui generalise le moins l'exemple en question.
4.2.2 Un exemple : les paires de rectangles
Supposons que l'on cherche a apprendre un concept deni comme : (( soit un rectangle, soit
une paire de rectangles, a coordonnees entieres et aux côtes paralleles aux axes )). Les objets
de l'espace de representation sont des points du plan IN2 , denis par leurs deux coordonnees
entieres. Un objet est couvert par un concept quand le point correspondant est a l'interieur de
la surface (frontiere comprise) denie par l'union des deux rectangles. La relation de generalite
entre les concepts (les paires de rectangles) correspond naturellement a l'inclusion geometrique
dans l'espace des exemples.
L'ensemble d'apprentissage est un ensemble de points du plan, certains marques +, les autres
;. On cherche a construire toutes les surfaces denies par l'interieur d'un rectangle ou de l'union
de deux rectangles qui incluent les points exemples positifs et excluent les points negatifs.
Un concept s se represente donc en general par une formule du type :
s = [3; 5] [1; +1] [ [2; 7] [2; 3]
autrement dit une phrase dans un langage des concepts LH . La signication de s est la suivante :
il est l'union de deux rectangles du plan (x1 ; x2 ). Le premier est compris entre les valeurs 3 et
5 sur l'axe x1 et les valeurs 1 et +1 sur l'axe x2 , le second est compris entre les valeurs 2 et 7
sur l'axe x1 et les valeurs 2 et 3 sur l'axe x2 (voir la gure 4.6).
La description d'un exemple dans ce langage, autrement dit la denition de l'inclusion LX
LH, se fait simplement en considerant qu'un point est un rectangle de côtes de longueur nulle.
C'est ainsi que les points
a = (4; 8) et b = (6; 2)
6. C'est le cas de l'inference de grammaires regulieres que nous verrons au chapitre 7. Dans ce probleme, un exemple
est represente par une sequence de lettres et son apprentissage par coeur par un automate qui ne reconna^t que
cette sequence. C'est encore plus net en programmation logique inductive (chapitre 5), ou la verication qu'un
concept couvre un exemple se fait par l'execution d'un programme Prolog, ce qui est loin d'être trivial.
qui peuvent s'ecrire dans le langage LH comme les phrases :

a = [4; 4] [8; 8] et b = [6; 6] [2; 2]
appartiennent au concept s.
8 b
7 a
6
4
s
3
2 b
1 b
0
0 1 2 3 4 5 6 7 8 9 10
Fig. 4.6 { Le concept s = [3; 5] [1; +1] [ [2; 7] [2; 3] couvre les deux pointsa = (4; 8) et
b = (6; 2). Les points sur la frontiere de l'un des deux rectangles sont consideres
comme appartenant au concept.
4.2.3 Un ordre partiel sur l'espace des hypotheses

La relation d'inclusion denie sur X induit une relation de generalite sur H qui est une
relation d'ordre partiel. La gure 4.7 illustre cette notion. Cette relation est partielle et non pas
totale, ce qui signie que deux elements quelconques dans l'espace considere peuvent ne pas être
lies par cette relation.
couverture(h1)
h1
couverture(h2)
h2 h3
couverture(h3)
X
H
Fig. 4.7 { La relation d'inclusion dans X induit la relation de generalisation dans H. Il s'agit
d'une relation d'ordre partielle : ici, les hypotheses h2 et h3 sont incomparables entre
elles, mais elles sont toutes les deux plus speciques que h1 .
Une relation d'ordre partiel induit une structure de treillis sur H. Cela signie que pour tout
couple d'hypotheses hi et hj , il existe au moins une hypothese qui soit plus generale que chacune
d'entre elles et qu'il n'est pas possible de la specier sans perdre cette propriete. L'ensemble de
ces hypotheses est appele le generalise maximalement specique de hi et hj et note gms(hi ; hj ).
De même, il existe un ensemble d'hypotheses plus speciques que hi et hj qu'il n'est pas possible
de generaliser sans perdre cette propriete. On appelle cet ensemble le specialise maximalement
general et on le note smg(hi ; hj ).
Par une extension facile au cas de plus de deux hypotheses, on peut denir de même un
ensemble gms(hi ; hj ; hk ; : : : ) et un ensemble smg(hi ; hj ; hk ; : : : ).
Finalement, nous supposons 7 qu'il existe dans H une hypothese plus generale que toutes les
autres (ou element maximal) notee > et une hypothese plus specique que toutes les autres (ou
element minimal) notee ? (voir la gure 4.8).
gms(hi, hj)
hi hj
smg(hi, hj)
H
Fig. 4.8 { Une vision schematique et partielle du treillis de generalisation sur H induit par la
relation d'inclusion dans X . Chaque eche indique la relation de generalite (notee
dans le texte).
Les exemples ainsi que plusieurs gures du chapitre 1 et de ce chapitre montrent clairement
que la relation d'inclusion est fondamentale pour le probleme de l'induction. En eet, une hy-
pothese incorrecte (donc couvrant indûment des exemples negatifs) devra être specialisee pour
que sa couverture exclut ces exemples, alors qu'une hypothese incomplete (ne couvrant pas tous
les exemples positifs connus) devra être generalisee pour que ces exemples deviennent elements
de sa couverture. Il est donc naturel que le processus d'induction soit guide par ces relations
d'inclusion.
Nous avons egalement deja souligne dans le chapitre 1 que l'induction necessite une mise
a jour des hypotheses directement dans H. Comme l'espace H des hypotheses est deni par
son langage de description LH , cela signie qu'il faut trouver comment associer a la relation
d'inclusion dans X des operations syntaxiques sur LH correspondant a la relation de generalite.
Trouver des equivalences aux relations d'inclusion dans X revient donc a trouver des operateurs
7. C'est en general valide.
dans le langage LH qui permettent de modier une hypothese hm en une nouvelle hypothese
hm+1 inclue dans la premiere ou l'incluant 8, c'est-a-dire plus specique ou plus generale.
4.2.4 Quelques operateurs de specialisation et de generalisation
Le probleme de la recherche d'operateurs syntaxiques de generalisation ou de specialisation
sera egalement debattu dans le chapitre 5 portant sur la programmation logique inductive,
en particulier parce que la solution n'est pas evidente lorsque l'on utilise des representations en
logique des predicats dite aussi logique d'ordre 1. Il est en revanche facile d'exhiber des exemples
d'operateurs satisfaisants dans le cas de representations fondees sur la logique des propositions
et la representation attribut-valeur (voir le chapitre 11). A titre d'illustration, nous presentons
quelques-uns de ces operateurs de generalisation.
L'operation de generalisation est notee gen
) . Une formule du type A ^ (B = v1 ) 2 C signie
qu'un objet couvert par le concept C est decrit par la conjonction d'un selecteur sur les attributs
A (avec A binaire) et B (avec B nominal ordonne), ce dernier valant v1 pour B . On constatera
que les generalisations proposees ne sont evidemment pas des operations logiquement valides.
Operateur de clôture d'intervalle

A ^ (B = v1) 2 C gen
A ^ (B = v2) 2 C ) A ^ (B 2 [v1 ; v2 ]) 2 C
Par exemple :
Bec aplati ^ (envergure = 50) 2 canard

Bec aplati ^ (envergure = 55) 2 canard
gen
) Bec aplati ^ (envergure 2 [50, 55]) 2 canard
Operateur de l'ascension dans l'arbre de hierarchie
Pour generaliser une description incluant un attribut arborescent, il sut de le remplacer
par l'un de ses ascendants dans l'arbre :

A ^ (B = n1 ) 2 C gen
A ^ (B = n2 ) 2 C ) A ^ (B = N ) 2 C
ou N est le plus petit nud ascendant commun aux nuds n1 et n2 . Par exemple :
Bec aplati ^ (couleur = Roux) 2 canard

Bec aplati ^ (couleur = Orange) 2 canard
gen
) Aplati ^ (couleur = couleur-chaude) 2 canard
Operateur d'abandon de conjonction
A ^ B 2 C gen
) A2C
Par exemple :
Bec Aplati ^ (couleur = Roux) 2 canard gen
) Bec Aplati 2 canard
8. On tire prot ici de la confusion assumee entre la notion de concept et celle de partie de X (voir l'equation 4.1)
pour parler de concept inclus dans un autre, alors que la relation d'inclusion n'a, a proprement parler, de sens
que pour les categories qui sont denies sur X .
Operateur d'ajout d'alternative
A 2 C gen
) A _ B2C
Par exemple :
Bec Aplati 2 canard gen
) Bec Aplati _ Couleur = Orange 2 canard
Operateur de changement de conjonction en disjonction
A ^ B 2 C gen
) A _ B2C
Par exemple :
(Bec Aplati ^ Couleur = Orange 2 canard) gen

) (Bec Aplati _ Couleur = Orange 2 canard)
Chaque operateur de generalisation permet de transformer l'expression d'une hypothese en l'ex-

pression d'une hypothese plus generale, couvrant davantage d'elements de l'espace des exemples
X . Il est possible de renverser chaque operateur de generalisation pour obtenir des operateurs
de specialisation qui transforment une hypothese en une hypothese moins generale, ou plus
specique, couvrant moins d'elements de X .
Ainsi l'operateur de generalisation par montee dans la hierarchie des descripteurs peut fournir
un operateur de specialisation par descente dans la hierarchie :
A ^ (B = N ) 2 C spe
) A ^ (B = n1) 2 C
ou N est un nud ascendant du descripteur n1 .
Bec Aplati ^ (Couleur = couleur-chaude) 2 canard
spe
) Bec Aplati ^ (Couleur = Roux) 2 canard
Pour resumer, si un espace d'hypotheses H est deni par un langage LH qui admet des
operateurs de specialisation et de generalisation, alors il est muni d'une structure d'ordre partiel
associee a la relation d'inclusion sur l'espace des exemples X . De ce fait, elle est particulierement
pertinente pour la tâche d'induction. Ainsi, la recherche d'une hypothese coherente avec les
exemples d'apprentissage peut être guidee par ces operateurs et être par consequent beaucoup
plus ecace qu'une recherche par gradient (chapitre 3). En examinant quelques proprietes de
l'espace H ainsi muni d'une relation d'ordre, nous allons voir que l'avantage peut être plus
important encore.
4.2.5 Quelques proprietes utiles d'un espace structure par une relation d'ordre
partiel
Rappelons d'abord qu'il n'y a generalement pas bijection entre l'espace des hypotheses H et
l'espace des exemples X : c'est ce qu'implique l'existence d'un biais de representation, c'est-a-dire
les limites de l'expressivite du langage LH . De ce fait, il est important de s'assurer que certaines
proprietes sont veriees. Il en est deux qui nous concernent specialement. La premiere a trait a la
convexite de H : est-on certain que l'application des operateurs de specialisation/generalisation
sur des expressions de LH produit toujours des expressions valides qui ont une contrepartie
dans X ? En d'autres termes, ne risque-t-on pas, en jouant avec ces operateurs, de produire des
(( hypotheses )) qui n'auraient pas de sens? La deuxieme propriete est duale de la precedente :
peut-il y avoir des hypotheses dans H qui sont de fait plus generales ou plus speciques qu'une
autre hypothese de H, mais qu'on ne puisse pas obtenir a partir de celle-ci par une sequence
d'operateurs de specialisation/generalisation? Si l'une ou l'autre de ces deux proprietes s'averait
non veriee, alors l'exploration de H par l'application des operateurs pourrait conduire a des
resultats aberrants : soit des hypotheses sans signication dans X , soit au contraire la non
production d'hypotheses pertinentes de H. Heureusement, ces deux proprietes peuvent être
obtenues. Plus formellement :
h3

h2

h1
H
Fig. 4.9 { Un exemple d'ensemble non convexe pour la relation de generalite.
Denition 4.5 (Ensemble convexe pour la generalisation)

Un ensemble E dont les elements sont representables dans un langage LH est convexe si et
seulement si :
Pour tous h1 ; h2 ; h3 tels que h1 ; h3 2 E; et h1 h2 h3 alors h2 2 E
Propriete 4.1 (Theoreme de convexite ([Hir90]))
L'ensemble des hypotheses H deni par un langage LH sur lequel sont denis des operateurs de
specialisation/generalisation est convexe.
Denition 4.6 (Ensemble borne pour la generalisation)
Un ensemble C d'hypotheses decrits par un langage LH est borne si et seulement si pour tout h
dans C il existe une hypothese g maximalement generale dans C et une hypothese s maximale-
ment specique dans C telles que s h g.
Il n'est pas possible de garantir la propriete d'être borne pour tout ensemble decrit sur un
langage LH muni d'operateurs de specialisation/generalisation. C'est donc une contrainte qu'il
faut a chaque fois verier ou imposer si besoin est. Cette contrainte est en general veriee sur
les langages d'ordre 0 (logique des propositions), elle demande par contre des soins particuliers
en logique d'ordre 1 (logique des predicats).
Si les deux proprietes precedentes sont vraies, alors une troisieme propriete en decoule,
fondamentale pour la suite.
Denition 4.7 (S : Les hypotheses coherentes maximalement speciques)
L'ensemble des hypotheses de H couvrant les exemples positifs et excluant les exemples negatifs,
et telles qu'il en soit pas possible de les specialiser sans perdre ces proprietes, est appele le S-set.
Nous le noterons S dans la suite.
Denition 4.8 (G : Les hypotheses coherentes maximalement generales)
L'ensemble des hypotheses de H couvrant les exemples positifs et excluant les exemples negatifs,
et telles qu'il ne soit pas possible de les generaliser sans perdre ces proprietes, est appele le G-set.
Nous le noterons G dans la suite.
Theoreme 4.1 (Representation de l'espace des versions par S et G[Hir90])
Si un ensemble d'hypotheses est convexe et borne, alors il peut être represente par sa borne
inferieure S et sa borne superieure G.
Denition 4.9 (Espace des versions)

L'ensemble de toutes les hypotheses coherentes avec les exemples d'apprentissage est appele
l'espace des versions.
Le theoreme (4.1) prouve que l'espace des versions peut être represente de maniere economique
par ses bornes S et G.
Cette propriete a trois corollaires essentiels :
1. A tout instant, l'ensemble des hypotheses coherentes avec un ensemble d'exemples d'ap-
prentissage est representable par une borne inferieure et une borne superieure : toute hy-
pothese comprise entre ces deux bornes est coherente.
2. Un algorithme d'apprentissage peut operer en calculant ces deux bornes, et donc en cal-
culant l'ensemble des hypotheses coherentes. Il s'agit la d'une idee novatrice par rapport
aux algorithmes d'apprentissage recherchant une hypothese coherente par modication
incrementale d'une hypothese initiale.
3. Il n'existe donc pas de concept coherent moins specique qu'un element de G ou plus
specique qu'un element de S .
En considerant un exemple comme une hypothese, grâce a la relation LX LH (equation 4.1),
nous pouvons donc remarquer que S est un sous-ensemble du gms de l'ensemble des exemples
positifs (on ne peut rien dire d'aussi simple sur G). Nous allons voir l'application de cette idee
dans l'algorithme d'elimination des candidats propose par T. Mitchell [Mit82].
4.3 La construction de l'espace des versions

4.3.1 Illustration : retour sur l'exemple des rectangles
Reprenons l'exemple des rectangles, avec les donnees d'apprentissage suivantes :
x1 x2 Classe
3 2 +
5 3 +
3 3 +
2 2 ;
4 3 ;
Le concept z = [3; 3] [1; 6] [ [5; 25] [1; 4] est coherent avec ces donnees d'apprentissage
(voir la gure 4.10).
8 8
7 7
6 6
5 5
4 4
3 r u r 3 r u r
2 u r 2 u r
1 1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Fig. 4.10 { Le concept s = [3; 5] [1; +1] [ [2; 7] [2; 3] (gure de gauche) couvre tous les
points d'apprentissage, positifs (carres) comme negatifs (triangles). Il n'est donc pas
coherent avec les donnees d'apprentissage. En revanche le concept z = [3; 3] [1; 6] [
[5; 25] [1; 4] (gure de droite) est coherent avec ces donnees : il couvre tous les
exemples positifs et aucun exemple negatif.
Nous allons voir maintenant comment construire S et G a partir des exemples, et nous
verierons que tout element de l'espace des versions est plus specique qu'un certain element de
G et moins specique qu'un certain element de S .
4.3.2 L'algorithme d'elimination des candidats
L'apprentissage par l'espace des versions est associe a un algorithme de construction des
solutions, appele l'elimination des candidats (algorithme 4.1).
Il procede de maniere iterative, exemple par exemple, en mettant a jour S et G. Sa conver-
gence est assuree par un theoreme (non demontre ici) qui prouve qu'un seul examen de chaque
exemple sut et que l'ordre de presentation des exemples n'in ue pas sur le resultat de l'algo-
rithme.
Cet algorithme gere deux procedures Generaliser(s,x,G) et Specialiser(g,x,S), qui
seront utilisees pour remplacer dans G (respescivement S ) un concept devenant trop specique
(respectivement trop general) par un ou plusieurs autres concepts permettant de respecter les
contraintes de consistance. Ces procedures se denissent grâce aux notions de specialisation
minimale et de generalisation minimale. La gure 4.11 illustre les dierents cas qui peuvent se
rencontrer lors de la mise a jour des bornes S et G par l'algorithme d'elimination des candidats.
Il est donc demontre que cet algorithme iteratif remplit le but xe : il permet de trouver S et
G. A partir de la il autorise la caracterisation de tous les concepts coherents avec les exemples.
4.3.3 Deux exemples
4.3.3.1 Encore les rectangles
Generalisation et specialisation minimale
Dans l'exemple des rectangles, les denitions de la specialisation minimale et de la generalisa-
tion minimale sont faciles a comprendre intuitivement :
E tant donnes une hypothese et un objet, la generalisation minimale consiste a elargir l'un
des deux rectangles en deplacant le côte adequat jusqu'a ce qu'il englobe juste l'objet. Le
G (b)
x
x
x
(a') x (d')
(c)
(a) x x
x (d) x
(b')
S
Fig. 4.11 { Cette gure schematise les dierents cas possibles lors de la mise a jour des en-
sembles S et G par l'algorithme d'elimination des candidats. Les cas (a), (b), (c)
et (d) correspondent a la mise a jour de S pour tenir compte d'un exemple posi-
tif. On suppose ici qu'un element de S ne couvre pas ce nouvel exemple et doit
être generalise. Les eches en pointilles illustrent le cas ou quatre directions de
generalisations seraient possibles. La direction (b) doit être eliminee car elle corres-
pond a une surgeneralisation : l'hypothese produite est en eet plus generale qu'une
hypothese de G et doit donc couvrir des exemples negatifs. L'hypothese (d) doit
egalement être ecartee car elle est plus generale qu'une autre hypothese de S qui est
coherente avec les exemples. Il reste donc les hypotheses (a) et (c) qui remplaceront
l'ancienne hypothese dans S . Les cas (a'), (b') et (d') illustrent des cas duaux dans
le cas de la mise a jour de l'ensemble G pour tenir compte d'un nouvel exemple
negatif.
plus simple est de voir cette operation (qui peut se faire de deux facons) sur la gure 4.12.
Il est clair que les concepts obtenus sont tous les deux plus generaux que celui dont on est
parti.
La specialisation minimale consiste a reduire l'un des deux rectangles en deplacant le côte
adequat jusqu'a ce l'objet se trouve juste exclu de l'hypothese. Il y a deux ou quatre facons
de s'y prendre, selon la position du point dans le concept (voir la gure 4.12).
Algorithme 4.1 Algorithme d'elimination des candidats.
Initialiser G comme l'ensemble des hypotheses les plus generales de H
Initialiser S comme l'ensemble des hypotheses les moins generales de H
pour Chaque exemple x faire
si x est un exemple positif alors
Enlever de G toutes les hypotheses qui ne couvrent pas x
pour Chaque hypothese s de S qui ne couvre pas x faire
Enlever s de S
G
eneraliser(s,x,S )
c'est-a-dire : ajouter a S toutes les generalisations minimales h de s telles que :
h couvre x et
il existe dans G un element plus general que h

Enlever de S toute hypothese plus generale qu'une autre hypothese de S
n pour
sinon
(x est un exemple negatif)
Enlever de S toutes les hypotheses qui couvrent x
pour Chaque hypothese g de G qui couvre x faire
Enlever g de G
Specialiser(g ,x,G)
c'est-a-dire : ajouter a G toutes les specialisations maximales h de g telles que :
h ne couvre pas x et
il existe dans S un element plus specique que h
Enlever de G toute hypothese plus specique qu'une autre hypothese de G
n pour
n si
n pour
Deroulement de l'algorithme
Reprenons l'ensemble d'apprentissage :
x1 x2 Classe
3 2 +
5 3 +
3 3 +
2 2 ;
4 3 ;
Il est represente sur la gure 4.13. Le deroulement de l'algorithme d'elimination des candidats
se fait alors comme suit :
DEBUT
Initialisation
G0 = [;1; +1] [;1; +1)
8 8 8
7 7 7
6 6 6
5 u 5 u 5 u
4 4 4
3 r 3 r 3 r
2 2 2
1 1 1
0 0 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6
Fig. 4.12 { A gauche, un concept qui couvre un exemple negatif et ne couvre pas un exemple
positif. Au centre, une generalisation minimale possible de ce concept par rapport a
l'exemple positif. A droite, une specialisation minimale possible du même concept
par rapport a l'exemple negatif.
3 r u r
2 u r
0
0 1 2 3 4 5 6 7
Fig. 4.13 { L'ensemble d'apprentissage. Les exemples sont representes par des carres et les
contre-exemples par des triangles.
S0 = ;
Lecture de l'exemple positif (x1 = 3; x2 = 2)
G = G0
S = f[3; 3] [2; 2]g
G = G0
S = f[3; 3] [2; 2] [ [5; 5] [3; 3]g
G est inchange.
S = f [3; 3] [2; 2] [ [3; 5] [3; 3];
[3; 3] [2; 3] [ [5; 5] [3; 3] g
Comme le langage des concepts est limite a l'union d'au plus deux rectangles, il y a ici une
generalisation : le point (x1 = 4; x2 = 3) est admis par le premier element de S .
3 r r
2 r
0
0 1 2 3 4 5 6 7
Fig. 4.14 { Apres la lecture du troisieme exemple positif, S possede deux elements : la paire de
rectangles grisee et celle en blanc. Tous ces rectangles ont soit une largeur nulle,
soit une hauteur nulle, soit les deux. Dans ce dernier cas, ils sont reduits au point
d'apprentissage.
Lecture de l'exemple negatif (x1 = 2; x2 = 2)

G = f [3; +1] [;1; +1] [ [;1; +1) [3; +1];
[3; +1] [;1; +1] [ [;1; +1] [;1; 1];
[;1; 1] [;1; +1] [ [3; +1] [;1; +1] g
Il y avait six facons de specialiser G sans tenir compte de S , on en a garde trois : les seules
contenant au moins un element de S . S est inchange (voir les gures 4.15 et 4.16).
5 5 5
4 4 4
3 r r 3 r r 3 r r
2 u r 2 u r 2 u r
1 1 1
0 0 0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
Fig. 4.15 { Apres la lecture du quatrieme exemple (negatif), G possede trois elements et S est
inchange.
Lecture de l'exemple negatif (x1 = 4; x2 = 3)

S = f[3; 3] [2; 3] [ [5; 5] [3; 3]g
Notons s l'unique element de S . G = f[3; 3] [;1; +1] [ [5; +1] [;1; +1]g
Notons g l'unique element de G. Le resultat est donne sur la gure 4.17.
FIN
On peut verier que n'importe quel concept coherent, par exemple :
z = [3; 3] [;5; 10] [ [5; 10] [1; 4]
ou :
z0 = [3; 3] [1; 12] [ [5; 25] [;1; 46]
5 5 5
4 4 4
3 r r 3 r r 3 r r
2 u r 2 u r 2 u r
1 1 1
0 0 0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
Fig. 4.16 { Trois autres possibilites d'elements de G ont ete eliminees, car elles ne couvrent
aucun element de S.
6 6
5 5
4 4
3 r u r 3 r u r
2 u r 2 u r
1 1
0 0
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
Fig. 4.17 { Apres la lecture du cinquieme exemple (negatif), S et G n'ont chacun qu'un seul
element : s et g.
7 7
6 6
5 5
4 4
3 r u r 3 r u r
2 u r 2 u r
1 1
0 0
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
Fig. 4.18 { Deux concepts z tels que s z g
est tel que (gure 4.18) :

szg
mais il n'existe pas de relation d'ordre entre z et z 0 .
4.3.3.2 Fonctionnement sur l'exemple des oiseaux
Generalisation et specialisation minimale
Dans l'exemple des canards et des manchots, les operations de specialisation et de generalisation
sont egalement faciles a denir. Soit le concept :

v1 = ( ? ; [;1; 60]; [33; +1]; CouleurChaude)
et le contre-exemple :
e4 = (FAUX; 60; 38; Orange)
Il y a quatre possibilites de specialisation minimale de v1 vis-a-vis de e4 :
( V RAI ; [;1; 60]; [33; +1]; CouleurChaude)
(? ; [;1; 59]; [33; +1]; CouleurChaude)
(? ; [;1; 60]; [39; +1]; CouleurChaude)
(? ; [;1; 60]; [33; +1]; Roux)
Pour le concept :
v4 = (V RAI; [0; 59]; [46; +1]; Roux)
et l'exemple :
(FAUX; 60; 47; Orange)
on obtient la generalisation minimale :
(?; [0; 60]; [47; +1]; CouleurChaude)
Deroulement de l'algorithme
Pour simplier cet exemple, nous allons eliminer le troisieme attribut, l'Envergure. Les
donnees d'apprentissage sont donc les suivantes :
Aplati Taille Couleur Classe
e1 = V RAI 30 Roux +
e2 = FAUX 70 Gris ;
e3 = V RAI 40 Orange +
e4 = FAUX 60 Orange ;
DEBUT
Initialisation
G = (?; ?; ?)
S=;
Lecture de e1 = ((V RAI; 30; Roux); +)

On generalise minimalement S pour couvrir e1 :
S = f(V RAI; [30; 30]; Roux)g
G est inchange : G = (?; ?; ?)
Lecture de e2 = ((FAUX; 70; Gris); ;)
S est inchange : S = f(V RAI; [30; 30]; Roux)g
Il y a quatre specialisations minimales de G pour rejeter e2 :
( V RAI ; ?; ?)
( ? ; [;1; 69]; ?)
( ? [71; +1]; ?)
( ?; ?; CouleurChaude)
On ajoute a G les trois pour lesquelles il existe dans S un element plus specique.
G = f ( V RAI ; ?; ?);
( ? ; [;1; 69]; ?)
( ?; ?; CouleurChaude) g
Lecture de e3 = ((V RAI; 40; Orange); +)

On generalise S pour couvrir e3
S = f(V RAI; [30; 40]; CouleurChaude)g
G est inchange.
Lecture de e4 = ((FAUX; 60; Orange); ;)

On essaie de specialiser chaque element de G par rapport a e4 .
Le premier element ne couvre pas e4 .
Les trois suivants donnent respectivement 3, 4 et 4 concepts possibles:
Specialisations minimales de ( V RAI ; ?; ?) pour rejeter (FAUX; 60; Orange) :
( V RAI ; [;1; 59]; ?)
( V RAI ; [61; +1]; ?)
( V RAI; ?; CouleurFroide)
Specialisations minimales de ( ? ; [;1; 69]; ?) pour rejeter (FAUX; 60; Orange) :
( V RAI ; [;1; 69]; ?)
( ? ; [;1; 59]; ?)
( ? [61; +1]; ?)
( ? ?; CouleurFroide))
Specialisations minimales de ( ?; ?; CouleurChaude) pour rejeter (FAUX; 60; Orange) :
( V RAI ; ?; CouleurChaude)
(? ; [;1; 59]; CouleurChaude)
(? ; [61; +1]; CouleurChaude)
(? ; ?; Roux)
S est inchange : S = f(V RAI; [30; 40]; CouleurChaude)g
On ajoute a G les specialisations pour lesquelles il existe dans S un element plus specique.
Finalement, en ne conservant que le concept le plus general s'il en existe deux en relation
de generalite, G devient :
G = f ( V RAI ; ?; ?);
( ? ; [;1; 69]; ?);
FIN
Tout concept plus general que le seul element de S et plus specique qu'un element de G est
solution. Voici trois exemples :
( V RAI ; [9; 18]; Noir)
(? ; [30; 30]; Orange)
(? ; [9; 9]; CouleurChaude)
4.3.4 Un exemple d'application : le systeme LEX

Le systeme Lex a ete developpe par Tom Mitchell en 1983 pour apprendre automatiquement
les conditions d'utilisation des operateurs mathematiques permettant de calculer la primitive
d'expressions mathematiques. C'est exactement ce a quoi les eleves des classes preparatoires aux
grandes ecoles passent beaucoup de temps. Au debut, on leur donne un ensemble de (( recettes ))
que l'on appelle ici des operateurs OP . Par exemple (r et c sont ici de constantes :
La sortie des constantes de multiplication:
Z Z
OP1 : r f (x) dx = r f (x) dx
La regle d'integration par parties :
Z Z
OP2 : u dv = uv ; v du
La regle de l'identite :
OP3 : 1 f (x) = f (x)
L'integrale d'une somme est la somme des integrales :
Z Z Z
OP4 : [f1 (x) + f2 (x)] dx ;! r f1 (x) dx + f2 (x) dx
La primitive de la fonction sin(x) :
Z
OP5 : sin(x) dx = ; cos(x) + c
La primitive de la fonction cos(x)
Z
OP6 : cos(x) dx = sin(x) + c
La regle d'integration des fonctions puissance :
Z n+1
OP7 : xn dx = nx + 1 + c
Au debut de leur apprentissage, les eleves connaissent ces regles mais ne savent pas exacte-
ment dans quel contexte il est judicieux d'appliquer chacune d'entre elles. De ce fait, ils mettent
beaucoup de temps a resoudre les problemes car ils se perdent dans de nombreuses impasses.
Au fur et a mesure de leur entra^nement, ils apprennent a appliquer ces regles juste au moment
ou elles font progresser vers la solution. C'est ce type d'apprentissage qu'essaie de simuler le
systeme Lex.
Au debut de son apprentissage, le systeme conna^t un ensemble d'operateurs d'integration
symboliques tels que ceux donnes plus haut. Il est egalement dote d'une taxonomie sur les
concepts de fonctions mathematiques (voir gure 4.19). Le systeme suit alors un cycle qui
est schematise sur la gure 4.20. A chaque cycle, un module fournit un exercice a resoudre.
Un systeme de resolution de probleme tente alors de trouver une solution en encha^nant des
operateurs d'integration. Cela fournit un arbre de resolution qui peut aboutir a une solution
expr
r (op expr expr) (f arg) (ff (f arg))
+ - * / ^ ∫ der u v w x y
k prim (comb f f)
transc poly op
... -1.5 -1 0 1 2.5 5 6 7 ...
trig explog monom (+ monom poly)
sin c o s t a n ln e x p i d r (îd k) (* r id) (* r (îd k))
Fig. 4.19 { Une taxonomie des fonctions de base telle que celle employee par le systeme Lex.
ou a un echec (par exemple si le systeme ne trouve pas de solution avec les ressources calcul
allouees). Chaque utilisation des operateurs selon une branche ayant mene a un succes fournit
un exemple positif de l'emploi de cet operateur (en fait il faut aussi examiner si la solution est
optimale). Inversement, chaque utilisation d'un operateur le long d'une branche ayant mene a un
echec correspond a une utilisation erronee de cet operateur et fournit donc un exemple negatif
de contexte d'utilisation. Ces exemples et contre-exemples sont alors fournis a un systeme d'ap-
prentissage utilisant l'algorithme d'elimination des candidats qui calcule ainsi les bornes S et
G denissant les contextes dans lesquels il est approprie d'utiliser l'operateur considere (voir la
gure 4.21 pour un exemple de cycle).
Génération
de problèmes
Heuristiques
Exercice partiellement
apprises
Résolution
Généralisation
de problèmes
Trace détaillée de la
Exemple
tentative de résolution
d'apprentissage
de l'exercice
Critique
Fig. 4.20 { L'architexture generale du systeme Lex avec le cycle d'utilisation.
4.4 Analyse de l'algorithme d'elimination de candidats

4.4.1 Complexite au pire
L'algorithme d'elimination des candidats depend lineairement de la taille de l'ensemble des
exemples. En revanche, le nombre d'operations necessaires est en dependance quadratique par
rapport a la taille des ensembles frontiere S et G. Du point de vue capacite memoire, la taille
necessaire est simplement celle des ensembles frontiere.
Génération
de problèmes Espace des versions pour l'utilisation de
l'opérateur OP2 :
S ={ ∫ 3x cos(x) dx → Appliquer OP2

Calculer la primitive de : avec : u = 3x
dv = cos(x) dx}
∫ 3x cos(x) dx G ={ ∫ f1(x) f2(x) dx → Appliquer OP2
avec : u = f1(x)
dv = f2(x) dx}
Résolution
Généralisation
de problèmes
∫ 3x cos(x) dx OP2 avec :

u = 3x Un des exemples positifs proposés :

dv = cos( x) d x
3x sin(x) - ∫ 3x sin(x) dx ∫ 3x cos(x) dx
→ Appliquer OP2 avec :
OP1
u = 3x
dv = cos(x) dx
3x sin(x) - 3 ∫ x sin(x) dx
OP5 Critique
3x sin(x) - 3x cos(x) dx + C
Fig. 4.21 { Un exemple de cycle d'apprentissage dans le systeme Lex.
La partie la plus coûteuse de l'algorithme est le test qui verie pour chaque couple de
generalisations de l'ensemble frontiere en construction l'absence de relation d'ordre entre les
deux elements. L'espoir est que le nombre des elements de l'ensemble frontiere reste petit par
rapport au nombre d'exemples.
Helas, la taille des ensembles frontiere peut rapidement atteindre des valeurs importantes
dans des cas reels. Il est possible de trouver un exemple simple ou la taille de l'ensemble G cro^t
exponentiellement avec le nombre de contre-exemples presentes.
Supposons que chaque exemple soit decrit par un vecteur de 2m attributs booleens xi ; i =
1; : : : ; 2m et que le langage des generalisations corresponde a l'ensemble des conjonctions qu'on
puisse former sur les attributs. On se donne la presentation suivante des exemples :
1. Un exemple positif dont tous les attributs sont a V RAI
2. m exemples negatifs dont tous les attributs sont a V RAI , sauf xj et xj +m ; j = 1; : : : ; m,
qui sont FAUX .
L'ensemble G resultant est fxi1 ^ xi2 : : : ^ xim j ik 2 fk; k + mgg et contient 2m elements.
4.4.2 Le point de vue de l'apprentissage PAC

On peut aussi relier les concepts introduits dans ce chapitre a ceux de l'apprentissage PAC
(voir les chapitres 2 et 17). Si la theorie classique de l'espace des versions a pour but de decrire
l'ensemble exhaustif des solutions et de les caracteriser par les deux ensembles S et G, il est
neanmoins possible de se demander ce que l'introduction d'une distribution de probabilite sur
les exemples permet de dire sur celle des solutions.
Supposons disposer, en plus des hypotheses precedentes, d'un algorithme d'apprentissage
ayant la propriete suivante : soit il produit un element unique appartenant a l'ensemble H des
hypotheses qu'aurait produit l'algorithme de l'espace des versions, soit il repond que l'ensemble
H est incompatible avec les exemples proposes.
On peut alors demontrer la propriete suivante :
Propriete 4.2
Pour tout couple de valeurs ; 2 [0; 1] on se donne
(4 log(2=) + 8V C (H)log(13=))=
exemples du concept h tires independamment, ou V C (H) est la VC-dimension de H. Alors, avec
une probabilite au moins egale a 1 ; , l'algorithme d'apprentissage rendra comme resultat :
soit une hypothese de H avec une erreur inferieure a vis a vis de h
soit la reponse que h n'est pas dans H.
Ce resultat est independant de la distribution de probabilite avec laquelle sont tires les exemples.
Un cas particulier est celui ou l'ensemble H est de taille nie : on sait alors que sa VC-
dimension l'est aussi, et on peut se ramener directement au cas presente au chapitre 2.
Propriete 4.3
Soit H de taille nie et un ensemble de m exemples d'un concept-cible h. Pour :
N (log(1=) + log j H j)=
la probabilite d'avoir la propriete (( toutes les solutions de l'espace des versions construit sur les
exemples ont une probabilite d'erreur inferieure a vis-a-vis de h )) est d'au moins 1 ; .
Les deux proprietes precedentes quantient donc a la maniere PAC une approximation a
priori de la qualite de l'apprentissage par l'espace des versions en fonction du nombre d'exemples
presentes.
A titre d'illustration, en supposant qu'il s'agisse d'apprendre des k ; DNF 9 par cette tech-
nique, on peut remplacer dans la formule ci-dessus log j H j par (2d)k . Si les exemples sont
decrits par 10 attributs, que k vaut 3 et que l'on se xe et a 1=10, il faudra prendre : m 100.
4.5 La representation des connaissances par un treillis de Galois

4.5.1 La construction de la structure
Nous nous placons maintenant dans une situation techniquement un peu dierente de celle
traitee par l'espace des versions, mais proche dans son esprit. Nous supposons que le langage
de representation est purement binaire, c'est-a-dire que chaque exemple ou contre-exemple se
decrit par un ensemble de reponses V RAI ou FAUX a des tests qu'on lui pose. Dans cette
representation, un ensemble d'objets peut par exemple être le suivant. S = fx1 ; x2 ; x3 ; x4 ; x5 g
est decrit par cinq attributs binaires dont la signication est la suivante :
x1 vole
x2 a des plumes
x3 pond des ux
x4 mammifere
x5 nage sous l'eau
9. Ou : k-disjunctive normal form, forme normale k-disjonctive. Un concept est de cette forme s'il est compose d'au
plus k disjonctions _ sur des termes composes de conjonctions ^ entre les attributs binaires.
x1 x2 x3 x4 x5 commentaire
s1 1 1 1 0 0 oie
s2 0 0 1 1 1 ornithorynque
s3 1 0 0 1 0 rhinolophe
s4 1 1 1 0 0 cygne
L'idee de la representation par treillis de Galois est de ne pas garder les exemples sous forme
de matrice de V RAI et FAUX , ou ici de 0 et de 1, mais de les transformer en une representation
ordonnee, comme sur la gure 4.22.
;; S
fx3 g; fs1 ; s2; s4 g fx1 g; fs1 ; s3; s4 g fx4g; fs2 ; s3g
fx1 ; x4g; fs3 g
fx1 ; x2 ; x3 g; fs1 ; s4g fx3; x4 ; x5 g; fs2 g
X;;
Fig. 4.22 { Un treillis de Galois.
Que signie un tel diagramme? Le niveau superieur de la gure, composee d'une seule case,
correspond a l'absence d'attribut ; le niveau en dessous, compose de trois cases, exprime la
relation des exemples avec un attribut parmi les quatre ; le niveau suivant exprime la relation
des exemples avec deux attributs, etc. On devrait selon ce principe s'attendre a trouver dans le
second niveau les cinq cases de la gure 4.23.
fx3 g; fs1; s2 ; s4 gfx1 g; fs1; s3 ; s4 g fx4 g; fs2; s3 g fx2 g; fs1; s4 g fx5 g; fs2g
Fig. 4.23 { La premiere ligne complete.
Mais on ne represente que celles qui sont indispensables: comme l'ensemble fs1 ; s4 g est
strictement inclus dans l'ensemble fs1 ; s3 ; s4 g, la variable x1 rend l'ecriture de x2 inutile a ce
niveau. De même, x5 est rendue inutile par x4 ou par x3 .
Pour tracer un trait representant la relation d'ordre entre les elements de niveau dierent
dans le treillis de Galois, il faut que les deux composantes representant les attributs et les
exemples soient en double relation d'inclusion stricte, mais en sens inverse. Par exemple, la
case fx1 g; fs1 ; s3 ; s4 g est en relation avec la case fx1 ; x4 g; fs3 g puisque fx1 g fx1 ; x4 g et
fs1 ; s3; s4g fs3 g.
Cette structure resume parfaitement les relations de generalite des attributs vis-a-vis des
objets et, symetriquement, celles objets vis-a-vis des attributs. Il est evidemment possible de
reconstituer le tableau des donnees d'apprentissage a partir de celle-ci. On peut aussi demontrer
que le treillis de Galois construit sur une matrice binaire est unique. Divers algorithmes, soit
prenant en compte tous les exemples a la fois, soit incrementaux, ont ete proposes pour realiser
cette construction. Il est important de remarquer que la taille du treillis peut être exponentielle
en fonction du nombre d'attributs.
4.5.2 L'utilisation pour l'apprentissage
En quoi cette relation d'ordre particuliere dans le langage des exemples peut-elle être utile
a l'apprentissage? Par la structuration qu'elle degage des donnees, qui permet de les explorer
de maniere organisee. Si les donnees sont partagees en exemples positifs et negatifs et que l'on
cherche a elaborer un concept correct le plus general possible, une technique est de travailler de
maniere ascendante dans la structure du treillis.
Sur notre exemple, supposons que les objets s2 et s3 soient les exemples et s1 et s4 les contre-
exemples. La remontee dans le treillis se fait en suivant la relation d'ordre, successivement par
les cases X ; ; fx3 ; x4 ; x5 g; fs2 g fx4 g; fs2 ; s3g . Il n'est pas possible d'aller plus loin
car les objets s1 et s4 seraient couverts. Dans ce cas precis, le concept est compatible avec les
donnees et il est facile de verier que l'attribut x4 mammifere forme a lui tout seul ce concept.
Dans des cas plus complexes, le test d'un concept se fait de la même facon, en contrôlant sa
coherence au fur et a mesure de la progression dans le treillis. Il est possible que celle-ci soit mise
en echec si les exemples sont bruites, par exemple si l'un est a la fois negatif et positif. Dans
ce cas, la structure permet de trouver le concept correct le plus general, le concept complet le
moins general, ou un compromis entre les deux 10.
La plupart du temps, le treillis n'est pas construit avant l'apprentissage, mais en parallele
avec la creation du concept. On ne developpe que la partie necessaire au fur et a mesure. Cette
technique permet d'eviter une explosion combinatoire, mais oblige a faire des choix sur lesquels
on ne pourra pas toujours revenir.
Nous n'avons pas precise quel espace d'hypotheses ni quelle methode d'apprentissage utiliser,
car tous les deux sont a la disposition de l'utilisateur: la structure en treillis de Galois induit une
technique coherente d'exploration des donnees quel que soit le type du concept cherche 11 et quel
que soit l'algorithme d'apprentissage proprement dit. Par exemple, les methodes d'apprentissage
par plus proches voisins (chapitre 14) sont utilisees dans ce cadre ([NN97]).
Notes historiques et sources bibliographiques

La these de Tom Mitchell en 1978 : Version spaces : an approach to concept learning a marque
un tournant fondamental dans l'approche de l'apprentissage articiel. Jusque la en eet, mis a
part les travaux portant sur la reconnaissance des formes, l'intelligence articielle etait essentiel-
lement guidee par l'etude de la cognition naturelle, humaine en particulier. Dans cette optique,
les systemes d'apprentissage developpes representaient des tentatives de simuler la cognition
10. Rappelons qu'un concept est correct s'il ne couvre aucun exemple negatif, complet s'il couvre tous les exemples
positifs, compatible ou coherent s'il est correct et complet.
11. Souvent ecrit sous la forme d'une formule en logique des propositions.
humaine sur des tâches particulieres. Ainsi, le systeme Arch de P. Winston (1970) [Win70],
simulait l'apprentissage d'un concept (celui d'arche) a partir d'exemples positifs et negatifs
d'arches. Le systeme AM de Doug Lenat [Len78] simulait le raisonnement d'un mathematicien
en train d'aborder la theorie des nombres et de faire des conjectures dans ce domaine. Dans tous
les cas, il etait suppose que le concept cible (ou la connaissance cible) etait connaissable par un
agent humain, et donc par le systeme apprenant cense le simuler. D'une part, cela allait de pair
avec des approches theoriques de l'apprentissage portant sur l'identication exacte du concept
cible et non sur une approximation. D'autre part, cela conduisait a considerer des algorithmes
explorant l'espace des hypotheses possibles en adaptant et en modiant progressivement une hy-
pothese unique, de même qu'apparemment un agent humain raisonne sur la base de la meilleure
hypothese courante et l'adapte si necessaire. Les idees contenues dans la these de Tom Mitchell
ont profondement bouleverser ce point de vue.
D'abord, l'idee d'espace des versions, l'ensemble de toutes les hypotheses coherentes avec les
donnees d'apprentissage, met soudain a distance les systemes articiels et leurs contreparties na-
turelles. Cela autorise a etudier des algorithmes d'apprentissage nouveaux et sans necessairement
de plausibilite psychologique. L'algorithme d'elimination des candidats en est un exemple. En-
suite, il devient naturel de s'interroger sur l'espace des hypotheses même et sur sa capacite a
contenir le concept cible. Cela a conduit Mitchell a souligner l'inevitabilite d'un biais pour ap-
prendre. Comme nous l'avons deja amplement discute dans les chapitres 1 et 2, la possibilite
de l'induction est completement dependante de la richesse de l'espace des hypotheses. Avant la
these de Mitchell, les chercheurs en intelligence articielle examinaient en quoi la representation
des connaissances choisie etait ou non favorable a des raisonnements pertinents pour le do-
maine considere (c'est en particulier toute l'essence des recherches de Lenat), en revanche il
n'etait pas question de s'interroger sur la possibilite, encore moins la necessite, d'avoir un espace
d'hypotheses limite. La realisation progressive de ce dernier point s'accompagne de l'essor des
travaux portant sur des theories de l'apprentissage comme techniques d'approximation et non
plus comme identication d'un concept cible. Le developpement concomittant du connexion-
nisme dans les annees quatre-vingt joue alors un rôle de catalyseur en permettant l'intrusion des
mathematiques du continu, et donc des outils de l'analyse mathematique, comme l'optimisation
et la convergence, dans l'etude de l'apprentissage.
Pour terminer par une note philosophique, il est remarquable que la vision de l'appren-
tissage comme selection de bonnes hypotheses au sein d'un ensemble d'hypotheses possibles
donne a priori s'accorde a la vision actuelle de la biologie. La theorie de l'evolution de Dar-
win, celle de Changeux et de ses collegues (qui voient l'apprentissage comme elimination de
connexions dans le cerveau), et la theorie de Chomsky sur l'apprentissage de la langue naturelle
comme specialisation d'une grammaire universelle denissant l'enveloppe des langues possibles,
toutes ces demarches theoriques vont a l'unisson. L'approche actuelle de l'apprentissage arti-
ciel, considerant l'apprentissage comme la selection des hypotheses les plus performantes par
rapport aux observations, s'est nalement jointe a ce mouvement. L'avenir nous dira la destinee
de cet etonnant exemple multidisciplinaire de pensee unique.
Nous donnons dans ce qui suit quelques indications bibliographiques aux lecteurs interesses
par les recherches et les developpements portant sur les espaces des versions.
Les origines de l'apprentissage par generalisation et specialisation remontent au moins a
P. Winston ([Win75]) ; la formalisation et la resolution du probleme par l'espace des versions
sont une des etapes majeures de la naissance de la discipline. L'essentiel de la theorie et de
l'algorithmique a ete produit par T. Mitchell [Mit82]. La presentation qui en est faite ici et
l'exemple des rectangles sont repris du texte de Nicolas dans [Nic93]. Les concepts introduits
et l'algorithme d'elimination des candidats peuvent être trouves dans presque tous les livres
d'intelligence articielle. Nous recommandons particulierement la presentation recente de T.
Mitchell [Mit97].
L'algorithme d'elimination des candidats a fait l'objet de l'examen critique du theoricien
David Haussler [Hau88] qui a souligne en particulier que la taille de la borne G de l'espace des
versions pouvait cro^tre exponentiellement avec le nombre d'exemples negatifs. Cette observa-
tion relativise evidemment l'avantage apporte par la consideration de ces bornes. Cependant,
l'examen de la preuve de Haussler laisse supposer que le phenomene de croissance exponentielle
ne peut se produire que pour des echantillons de donnees tres particuliers, et presentes dans un
ordre tres defavorable. Des chercheurs comme Hirsh [Hir90] ou Smith et Rosenbloom [SR90] ont
propose des heuristiques pour ameliorer l'ordre de presentation des exemples. Une limite plus
serieuse de l'approche de Tom Mitchell concerne les donnees bruitees, c'est-a-dire mal decrites
ou mal classees. L'insistance sur la stricte coherence des hypotheses de l'espace des versions avec
les exemples condamne generalement l'algorithme original a ne pas pouvoir trouver d'hypothese
s'accordant aux donnees. Des propositions ont donc ete faites visant a relâcher l'exigence de
stricte coherence. Hirsh [Hir90, Hir92] a ainsi presente un algorithme d'apprentissage dans le-
quel on forme un espace des versions pour chaque exemple positif, puis on en fait l'intersection.
Il montre que cette idee permet de traiter des donnees bruitees. Michele Sebag [Seb94a, Seb94b]
a pousse cette idee encore plus loin avec l'approche de disjunctive version spaces qui marie une
approche de generalisation en representation attribut-valeur avec la technique de l'espace des
versions.
L'apprentissage grâce a la structure en treillis de Galois a ete en particulier etudie par
[Gan93, Wil92a], [LS98]. La theorie de ces espaces est developpee dans [Bir67]. L'apprentissage
par plus proche voisins en liaison avec la construction de cette structure est en particulier etudiee
dans [NN97].
Resume
La methode de l'espace des versions vise a denir tous les concepts coherents
avec un ensemble d'exemples.
Comme le nombre de ces concepts peut être inni, on s'interesse a une
denition de leur ensemble en intension.
Celle-ci est denie par deux ensembles nis S et G et une relation d'ordre sur
les concepts.
La recherche d'un concept particulier se fait, comme dans les treillis de Galois,
en exploitant la structure algebrique des solutions potentielles.
La methode de l'espace des versions est d'une grande importance historique et
methodologique. Son interêt pratique est loin d'être nul.
156
PARTIE 2 : Apprentissage par exploration.
Chapitre 5
La programmation logique inductive
La programmation logique inductive (PLI) realise l'apprentissage de formules de

la logique des predicats a partir d'exemples et de contre-exemples. L'enjeu est de
construire des expressions logiques comportant des variables liees les unes aux autres.
Par exemple, a partir de la description des liens de parente dans quelques familles
((( Jean est le pere de Pierre )), (( Paul est le pere de Jean )), (( Paul est le grand-pere
de Pierre ))...), un programme de PLI doit être capable de trouver une formule du
type (( Pour tous les x et z tels que z est le grand-pere de y, il existe x tel que x est
le pere de y et y est le pere de z )).
Ce type d'apprentissage est dicile a realiser. On se limite la plupart du temps a
un sous-ensemble de la logique des predicats qu'on appelle (( programme logique )),
en reference aux langages de programmation du type Prolog qui travaillent directe-
ment dans ce langage. La PLI a deux caracteristiques fortes : d'abord, le langage de
representation des hypotheses est tres bien connu mathematiquement et algorithmi-
quement. La notion de generalisation peut donc être introduite en coherence avec
les outils de la logique, comme la demonstration automatique. Ensuite, du fait de la
richesse de ce langage, la combinatoire de l'apprentissage est tres grande : il s'agit
d'explorer un espace immense en faisant constamment des choix qu'il sera dicile
de remettre en question. C'est pourquoi il est important en PLI de bien decrire les
biais d'apprentissage qui limitent cette exploration.
Comme le langage de description des concepts est riche, la PLI peut s'appliquer a un
grand nombre de situations. En pratique, les algorithmes permettent d'apprendre des
concepts operatoires dans des domaines aussi varies que le traitement de la langue
naturelle, la chimie, le dessin industriel, la fouille de donnees, etc.
158
ornithologie s'apprend vite : le debutant que nous avons rencontre dans l'avant-
L’ propos de ce livre sait maintenant reconna^tre nombre d'especes : des rapaces,

comme l'epervier et le faucon pelerin ou des palmipedes, comme la sarcelle et la
bernache. Il rencontre a nouveau l'expert, qui se montre satisfait de ses progres
(mais conscient de ses limites) et qui lui propose un nouvel exercice : apprendre a reconna^tre
le sexe de l'animal (sans dissection) sur des especes ou seule la taille peut eventuellement aider.
L'ensemble d'apprentissage propose par l'expert donne pour mesure l'envergure en centimetres.
Il est le suivant :
espece envergure sexe
x1 epervier 60 mâle
x2 epervier 80 femelle
x3 pelerin 90 mâle
x4 pelerin 110 femelle

x5 sarcelle 70 mâle
x6 sarcelle 70 femelle
Le debutant s'apercoit rapidement qu'il ne sait pas trouver un concept pour distinguer les
mâles des femelles. C'est tres simple a voir : les exemples x5 et x6 sont decrits par les mêmes
attributs et sont associes a des etiquettes contradictoires. Il fait part de cette re exion a l'expert.
(( D'accord )), lui r
epond ce dernier, (( je sais que vous connaissez la methode de l'espace des
versions et que vous essayez de trouver un concept ecrit dans un certain langage des hypotheses.
Vous avez choisi pour ce langage la logique des propositions sur des selecteurs portant sur des
attributs. N'est-ce pas? C'est en eet impossible d'apprendre quoi que ce soit dans ce langage
sur ces donnees. Je vais vous initier a une autre facon de faire de l'apprentissage. ))
L'expert propose alors de reformuler les donnees sous la forme de predicats, ce qui consiste
par exemple a ecrire l'attribut (( envergure )) pour l'exemple x5 de la maniere suivante :
envergure(x5 ; 90) = V RAI
Dans ce formalisme, le premier exemple devient :
(epervier(x1 ) = V RAI ) ^ (envergure(x5 ; 60) = V RAI ) ^ (male(x1 ) = V RAI )
ou plus simplement :
epervier(x1) ^ envergure(x5 ; 60) ^ male(x1 )
L'ensemble des exemples est maintenant l'union (le OU ou _) d'expressions de ce type, c'est-a-
dire une formule logique formee de la disjonction des exemples, chacun ecrit comme une conjonc-
tion ET (^) de predicats sur ses attributs et sa supervision.
(( Et alors? Est-ce que la contradiction entre les exemples x5 et x6 a disparu pour autant? ))
demande le debutant? (( Non )), repond l'expert, (( vous avez raison, ce n'est qu'une reecriture
pour l'instant. Mais je vais vous donner un peu de materiel supplementaire. ))
Il propose alors d'utiliser deux nouveaux predicats env-sup(x; y ) et meme-esp(x; y ) avec
la signication suivante : env-sup(x; y ) est V RAI quand l'envergure de l'exemple note x est
strictement superieure a celle de l'exemple note y et meme-esp(x; y ) est V RAI si l'exemple x
est de la même espece que l'exemple y. Les exemples deviennent alors, en notant pour raccourcir :
epervier(x) par E (x)
pelerin(x) par P (x)
Chapitre 5 La programmation logique inductive 159
sarcelle(x) par S (x)
envergure(x; 60) par e(x; 60), etc.
E (x) P (x) S (x) B (x) e(x; 60) e(x; 70)
x1 V RAI FAUX FAUX FAUX V RAI FAUX
x2 V RAI FAUX FAUX FAUX FAUX FAUX
x3 FAUX V RAI FAUX FAUX FAUX FAUX
x4 FAUX V RAI FAUX FAUX FAUX FAUX
x5 FAUX FAUX V RAI FAUX FAUX V RAI
e(x; 80) e(x; 90) e(x; 100) e(x; 110) male(x) fem(x)
x1 FAUX FAUX FAUX FAUX V RAI FAUX
x2 V RAI FAUX FAUX FAUX FAUX V RAI

x3 FAUX V RAI FAUX FAUX V RAI FAUX
x5 FAUX FAUX FAUX FAUX V RAI FAUX
x6 FAUX FAUX FAUX FAUX FAUX V RAI
Il faut ecrire aussi la table de verite des predicats relationnels env-sup et meme-esp. La seconde
est evidente et la premiere debute ainsi :
x1 x2 x3 x4 x5 x6
x1 FAUX FAUX FAUX FAUX FAUX FAUX
x2 V RAI FAUX FAUX FAUX V RAI V RAI
x3 V RAI V RAI FAUX FAUX V RAI V RAI
... ... ... ... ... ... ...
Quoiqu'un peu impressionne par la quantite plus importante de donnees, le debutant tente
l'apprentissage d'un concept dans le même langage. Il obtient par exemple :
male = male(x1 ) _ male(x3 ) _ male(x5 )
= [E (x1 ) ^ e(x1 ; 60)^] _ [P (x3 ) ^ e(x3 ; 90)] _ [S (x5 ) ^ e(x5 ; 70)]
Mais cela ne le satisfait pas, car il n'y a aucune generalisation. Il essaie donc d'utiliser la connais-
sance supplementaire fournie par l'expert et obtient ceci, apres avoir essaye un grand nombre
de formules :
env-sup(x2 ; x1 ) ^ E (x1 ) ^ E (x2 ) ^ male(x1 ) ^ fem(x2 )
^ env-sup(x4; x3) ^ P (x3) ^ P (x4) ^ male(x3 ) ^ fem(x4)
^ meme-esp(x1; x2 ) ^ meme-esp(x3; x4)
(( Bon, dit l'expert, nous y sommes presque. Nous savons tous les deux que les eperviers et
les faucons sont des rapaces, mais pas les sarcelles. Pouvez-vous utiliser cette information? ))
(( Voyons cela )), r
epond le debutant :
env-sup(x2 ; x1 ) ^ rapace(x1 ) ^ rapace(x2 ) ^ male(x1 ) ^ fem(x2 )
^ env-sup(x4 ; x3 ) ^ rapace(x3 ) ^ rapace(x4 ) ^ male(x3) ^ fem(x4)
^ meme-esp(x1; x2) ^ meme-esp(x3; x4)
((Cette fois, c'est presque bon. Je vous donne une derniere cle. Que dites-vous de la formule
suivante? ))
env-sup(X ; Y ) ^ rapace(X ) ^ rapace(Y ) ^ meme-esp(X ; Y ) ^ male(Y ) ^ fem(X )
((Elle signie que, pour toutes les especes de rapaces (et non pour les autres oiseaux), la femelle
d'une espece est d'envergure superieure au mâle )) repond le debutant (( mais je n'aurais pas su
la trouver : je ne connaissais ni les predicats relationnels ni les expressions avec des variables )).
j= Relation d'implication semantique (theorie des modeles)

` Relation d'implication logique (theorie de la preuve)

j=T Relation d'implication relative a la theorie T
^ ET : conjonction
_ OU : disjonction
: Negation
h1 < h2 L'hypothese h1 est plus generale que h2
5.1 La programmation logique inductive : le cadre general

5.1.1 Complexite de l'induction et expressivite du langage d'hypotheses
Le chapitre 4 a montre comment on peut formaliser le probleme de l'induction de concept,
c'est-a-dire de l'apprentissage d'une fonction indicatrice, a valeur dans f0; 1g. L'idee essentielle
est de considerer l'ensemble de toutes les hypotheses coherentes 1 avec l'echantillon d'appren-
tissage S = f(x1 ; u1 ); (x2 ; u2 ); : : : (xm ; um )g. Cet espace est appele l'espace des versions. Sa
mise a jour se fait incrementalement a chaque fois qu'un nouvel exemple d'apprentissage de-
vient disponible. Elle passe par la determination de la plus petite generalisation (respective-
ment specialisation) d'une hypothese et du nouvel exemple lors de l'adaptation du S-set (res-
pectivement du G-set). Nous avons vu dans le chapitre 4 que les concepts de generalisation
et de specialisation se denissent par reference a la relation d'inclusion entre les extensions
des concepts, c'est-a-dire l'ensemble des objets de X qu'ils couvrent. Un concept est dit plus
specique qu'un autre si son extension est incluse dans l'extension de l'autre. On obtient ainsi
une relation d'ordre partiel qui est exploitee dans l'algorithme d'elimination des candidats pour
mettre a jour les deux bornes de l'espace des versions : le S-set et le G-set.
Cette approche de l'apprentissage souleve deux problemes. Le premier est que la notion de
couverture d'un exemple par une hypothese n'est pas toujours aussi simple que le chapitre 4 peut
le laisser penser. Nous revenons sur ce probleme dans la section suivante. Le deuxieme probleme
est que les regularites observees sur les parties de X ne se transportent pas completement dans
l'espace des concepts H deni par le langage LH d'expression des hypotheses. Ainsi, l'ensemble
des parties de X forme une algebre, ce qui signie qu'il existe des operations bien denies
1. C'est-a-dire, rappelons-le, couvrant tous les exemples positifs et excluant tous les exemples negatifs de cet
echantillon.
pour calculer le plus petit ensemble d'exemples contenant deux ensembles d'exemples, de même
que pour calculer le plus grand ensemble d'exemples contenus a la fois dans deux ensembles
d'exemples. Ce sont les operations classiques d'union et d'intersection. Malheureusement, les
operations correspondantes sur l'espace des concepts H : la plus petite generalisation (least gene-
ral generalization, lgg) et la specialisation maximale (most general specialization, mgs) ne sont
pas en general denies de maniere unique. Cela provient du fait que tout ensemble d'exemples
ne correspond pas forcement a un concept, de même que toute expression dans le langage des
hypotheses LH n'a pas necessairement une contrepartie dans X . Nous avons en eet vu la
necessite de l'existence d'un biais de langage, limitant la richesse de H. De ce fait, la complexite
de l'apprentissage de concept depend fortement de LH , le langage d'expression des hypotheses.
En fonction du langage LH , il peut être possible, ou impossible, de denir une relation
< LH LH de generalite intensionnelle (dans H), appelee subsomption, qui concide avec la
relation d'inclusion dans X . Si h1 < h2 implique que h1 est aussi generale que h2 , la relation de
subsomption est dite saine (sound) ; si h1 est aussi generale que h2 implique que h1 < h2 , alors
la relation de subsomption est dite complete (complete). Lorsque la relation de subsomption est
saine, on peut demontrer que l'espace des versions correspondant a un ensemble d'exemples est
convexe par rapport a la relation <. Grâce a cela, on peut alors representer l'espace des versions
par une borne inferieure : le S-set, et par une borne superieure : le G-set.
La complexite de l'induction supervisee depend donc du langage d'expression des hypotheses
H. Dans le chapitre 4, nous avons essentiellement fait reference a des langages d'hypotheses en
attributs-valeurs. Ceux-ci sont souvent insusants pour decrire des domaines dans lesquels il
est necessaire de pouvoir decrire des relations (comme dans le domaine des arches decrits dans
le chapitre 2 ou dans l'exemple introductif avec les relations de comparaison d'envergure). C'est
pourquoi on est tente d'utiliser la logique des predicats ou logique du premier ordre. Mais est-
il alors raisonnable de vouloir pratiquer de l'induction avec un tel langage d'expression des
hypotheses? Nous examinons le prix a payer dans la suite.
5.1.2 La relation de couverture en logique du premier ordre

L'objectif de la programmation logique inductive (PLI) est de construire des programmes lo-
giques a partir d'exemples supervises. Schematiquement, un programme logique est un ensemble
de regles de la forme premisses ! conclusion. Selon que l'on autorise l'usage de la negation pour
formuler les premisses ou non, on parle de programmes normaux ou de programmes denis. E tant
donne leur avantage en terme de pouvoir expressif, nous etudierons dans ce chapitre l'apprentis-
sage des programmes normaux. Par ailleurs, deux grandes familles d'approches sont considerees
en programmation logique inductive :
1. L'apprentissage empirique dans lequel on dispose de nombreux exemples et contre-exemples
pour apprendre un nouveau concept (i.e. un programme). On cherche alors a apprendre
une denition qui permette d'expliquer (couvrir) tous les exemples positifs connus mais
aucun contre-exemple.
2. L'apprentissage interactif, dans lequel on cherche a adapter une description (ou theorie)
du domaine en fonction de quelques nouveaux exemples et contre-exemples. On parle aussi
dans ce cas de revision de connaissances.
Le deuxieme type d'apprentissage implique en general des raisonnements et des mecanismes
de generalisation beaucoup plus complexes, et malheureusement moins ma^trises que dans le
premier. Pour des raisons de place, nous nous limitons donc dans ce chapitre a l'etude de
l'apprentissage empirique.
Dans le langage de description des hypotheses par attributs-valeurs, une expression peut
prendre la forme :
(taille = grande) _ (couleur = rouge) _ (forme = carre)
denotant le concept (( grands carres rouges )). La même expression sert a la fois a denoter
un exemple (un certain (( grand carre rouge ))) et un ensemble d'exemples (tous les grands
carres rouges). La logique par attributs-valeurs n'est pas capable de faire la distinction entre les
exemples et les hypotheses. Cela revele un manque de pouvoir expressif, mais permet l'astuce
de la representation unique (single representation trick), ce qui signie en pratique que le test
de couverture d'un exemple par une hypothese est le même que le test de subsomption entre
deux hypotheses. Ce test est aise dans le cas de la logique des attributs-valeurs et de la logique
des propositions en general.

Prenons le cas d'expressions conjonctives en logique attributs-valeurs. Le test de subsomp-
tion entre deux expressions revient a contrôler que chaque paire attribut-valeur qui appara^t
dans l'expression la moins generale appara^t aussi dans l'autre. Le processus de generalisation
d'une expression consiste a monter dans la hierarchie denie par la relation de subsomption. La
generalisation revient donc a abandonner un terme de la conjonction. Par exemple, si le concept :
(taille = moyenne) _ (couleur = rouge) _ (forme = cercle)
doit être generalise pour couvrir l'exemple :
(taille = petite) _ (couleur = rouge) _ (forme = cercle) _ (poids = lourd)
il sut de laisser tomber (taille = moyenne) pour obtenir le concept adequat :
(couleur = rouge) _ (forme = cercle)
Il est a noter que la generalisation obtenue est minimale (lgg).
De la même maniere, specialiser une expression revient a ajouter une paire attribut-valeur
dans la conjonction. Par exemple, si le concept :
(couleur = rouge) _ (forme = cercle)
ne doit pas couvrir l'exemple negatif :
(taille = grande) _ (couleur = rouge) _ (forme = cercle)
il sut d'ajouter au concept une paire d'attributs-valeurs non presente dans l'exemple negatif
pour le specialiser assez. Il faut noter qu'en revanche il n'y a pas ici de specialisation maximale
unique.
En logique des predicats, il est necessaire de reconsiderer les notions de couverture, de sub-
somption, et par voie de consequence les operations de generalisation et de specialisation.
Considerons a nouveau des concepts conjonctifs, mais cette fois exprimes en logique du
premier ordre. Par exemple, en utilisant la syntaxe des programmes Prolog 2 , le concept1 a
apprendre pourrait se representer 3 par :
2. Dans cette syntaxe, le symbole :- signie l'implication du membre gauche par le membre droit et la virgule
dans le membre droit est la conjonction.
3. Soit, en notation logique traditionnelle : rouge(X) ^ cercle(X) ! concept1(X).
concept1(X) :- rouge(X), cercle(X).
Un concept peut être deni par plusieurs clauses, par exemple :
concept2(X) :- rouge(X), carr
e(X).
concept2(X) :- vert(X), cercle(X).
ce qui signie que le concept correpond aux objets qui sont soit des carres rouges, soit des
cercles verts.
Les exemples sont decrits par des atomes clos (sans variable), par exemple :
petit(petitcerclerouge).
rouge(petitcerclerouge).
cercle(petitcerclerouge).
Ici, petitcerclerouge est un exemple de concept1 car concept1(petitcerclerouge) peut
être prouve. D'une maniere generale, etant donnee une conjonction d'atomes clos Desc(Exemple)
decrivant Exemple, un concept Concept(X) :- Conditions(X) classe Exemple positivement si :

T^ ^ j
Desc(Exemple) (Concept(X) :- Conditions(X)) = Concept(Exemple).
On suppose donc de maniere generale que l'on dispose d'une connaissance initiale T , ou
theorie du domaine, mise sous forme de programme logique. Pour tester si un exemple est
couvert par un concept, on ajoute sa description dans la theorie du domaine, et on chercher
a prouver 4 Concept(Exemple) a l'aide de la denition du concept. Si la preuve echoue, on
interprete cet echec comme une classication negative (negation par l'echec). Dans ce cas, il
faudra modier la denition du concept. Pour cela il faut examiner la notion de subsomption en
logique du premier ordre.
5.1.3 La subsomption en logique du premier ordre
Il s'agit maintenant de denir la relation de generalite ou subsomption entre clauses. Par
exemple, on s'attend a ce que la clause :
concept3(X) :- rouge(X), cercle(X). subsume, donc soit plus g enerale, que la
clause :
concept3(X) :- petit(X), rouge(X), carr
e(X).
En eet, on constate 5 que l'extension correspondant a la premiere denition inclut l'extension
correspondant a la seconde denition. Il se trouve d'ailleurs que la seconde clause contient
les mêmes litteraux que la premiere et qu'elle est donc, selon notre denition de la section
precedente, plus specique. Cependant, ce cas n'epuise pas la notion de subsomption de deux
clauses. Prenons par exemple les deux clauses suivantes :
concept4(X) :- carr
e(X), triangle(Y), m^
emecouleur(X,Y).
concept4(X) :- carr
e(X), triangle(t), m^
emecouleur(X,t).
La premiere clause decrit l'ensemble des carres de même couleur que les triangles existants.
La seconde clause decrit l'ensemble des carres ayant la même couleur qu'un triangle particulier
t. Il est
evident que le deuxieme ensemble est inclus dans le premier et donc que la premiere
clause subsume la seconde. Il faut donc rendre compte aussi de ce cas de subsomption.
5.1.3.1 La -subsomption
En combinant les deux cas precedents, on arrive ce qu'on appelle la -subsomption, qui se
denit informellement ainsi :
4. Le symbole j= correspond a la notion semantique de l'implication. Nous reviendrons sur ce formalisme dans la
section suivante.
5. Nous restons volontairement informels dans cette premiere exposition des notions de couverture et de subsomp-
tion. Les paragraphes suivants seront rigoureux.
Clause1 subsume Clause2 s'il existe une substitution applicable a Clause1 et telle que
tous les litteraux dans la clause ainsi obtenue apparaissent dans Clause2.
Il est a noter que si Clause1 -subsume Clause2, alors on a aussi Clause1 j= Clause2. En
revanche, la reciproque n'est pas toujours vraie, comme le montre l'exemple suivant :
list([V|W]) :- list(W).
list([X,Y|Z]) :- list(Z).
E tant donnee la liste vide, la premiere clause construit des listes de n'importe quelle longueur,
tandis que la seconde construit des listes de longueur paire. Toutes les listes construites par la
seconde clause peuvent aussi l'être par la premiere, qui est donc plus generale. Pourtant, il n'y
a pas de substitution applicable a la premiere clause et permettant d'obtenir la seconde (une
telle substitution devrait appliquer W a la fois sur [Y|Z] et sur Z, ce qui est impossible). La -
subsomption est donc plus faible que l'implication. Elle a en outre des limitations redhibitoires
si l'on veut induire des clauses recursives. Soit en eet, les clauses : p(f(f(a))) :- p(a) et
p(f(b)) :- P(b). Si l'on cherche la plus petite g eneralisation par rapport a la -subsomption,
on trouve la clause : p(f(Y)) :- p(X), tandis que la clause p(f(X)) :- p(X), plus satisfaisante,
ne peut être trouvee. Le probleme est que la -subsomption ne peut prendre en compte les clauses
qui peuvent être resolues avec elles-mêmes.
5.1.3.2 L'implication
On pourrait envisager d'utiliser l'implication pour denir la subsomption entre clauses :
Clause1 subsume Clause2 si Clause1 j= Clause2
Cela introduit cependant deux problemes. Le premier est qu'il s'agit d'une denition semantique
(s'appuyant sur la theorie des modeles) et qu'il reste donc a preciser la procedure eective de
preuve de subsomption ainsi que la procedure permettant de generaliser une clause. Le second
probleme est que la plus petite generalisation (lgg) n'est pas toujours unique si la subsomption
est denie comme l'implication logique. Soit par exemple les deux clauses :
list([A,B|C]) :- list(C).
list([P,Q,R|S]) :- list(S).
Selon l'implication logique, ces clauses ont deux lgg :
list([X|Y]) :- list(Y) et list([X,Y|Z]) :- list(V).
Selon la -subsomption, seule cette derniere est une lgg. Il est a noter que la premiere lgg est en
realite plus plausible.
5.1.3.3 La subsomption des theories
Jusque-la nous avons seulement considere la subsomption entre deux clauses. Dans la plu-
part des cas interessants cependant, nous devons prendre en compte des ensembles de clauses
decrivant des theories 6 sur le monde. Il faut donc denir aussi la subsomption entre theories.
Par exemple, soit la theorie :
concept5(X) :- petit(X), triangle(X).
polygon(X) :- triangle(X).
Elle est impliquee logiquement par la theorie suivante :
concept5(X) :- polygone(X).
puisque tout modele de la seconde est un modele de la premiere theorie. Pourtant, la clause :
6. En programmation logique, une theorie est simplement denie comme un ensemble de clauses.
concept5(X) :- petit(X), triangle(X).
n'est pas logiquement impliquee par la clause :
concept5(X) :- polygone(X).
La subsomption entre theories ne peut donc pas être reduite a la subsomption entre clauses.
5.1.3.4 La subsomption relative a une theorie
Nous devons avoir recours dans ce cas a la notion de subsomption relative a une theorie
entre deux clauses. Par denition : Clause1 subsume Clause2 relativement a la theorie T si T ^
Clause1 j= Clause2, ce que nous notons : Clause1 j=T Clause2.
Par exemple, supposons que T contienne la clause :
Nous avons alors :

T ^ concept5(X) :- polygon(X) j= concept5(X) :- petit(X), triangle(X).
De cette maniere, nous obtenons en eet que :
concept5(X) :- polygone(X)
subsume :
concept5(X) :- petit(X), triangle(X)
relativement a T .
5.1.4 Un resume des relations de subsomption possibles
Pour resumer, les trois types de relations de subsomption utilises en programmation logique
inductive sont la -subsomption, l'implication logique et la subsomption relative a une theorie
du domaine. De ces trois types de subsomptions, la premiere est la plus aisee a realiser (et elle
est deja NP-complete !). En particulier, la -subsomption est decidable, tandis que l'implication
logique ne l'est pas 7 , même pour des clauses de Horn. De même, la subsomption relative est
plus severe que l'implication: les deux sont indecidables, mais les procedures de preuve pour
l'implication ne necessitent pas la prise en compte de la theorie T , contrairement aux procedures
pour la subsomption relative qui doivent prendre en compte toutes les derivations possibles a
partir de T ^ Clause.
En pratique, lors de l'apprentissage a partir d'exemples representes par des clauses, en
presence ou non d'une theorie du domaine, il est essentiel de pouvoir determiner la plus pe-
tite generalisation (relative dans le cas de la subsomption relative) ainsi que leur specialisation
maximale. L'existence de ces generalisations ou specialisations depend a la fois du type de sub-
somption considere et du langage utilise : logique des clauses ou logique reduite aux clauses de
Horn. Le tableau suivant fournit un resume des resultats connus sur les six cas possibles ((( + ))
correspondant a une reponse positive et (( - )) a une reponse negative).
Clauses de Horn Clauses generales

Type de subsomption lgg mgs lgg mgs
-subsomption + + + +
Implication (j=) - - + si sans fonction +
Implication relative (j=T ) - - - +
7. Church en 1932 a montre qu'il ne peut exister d'algorithme pouvant decider en un temps ni si une inference est
logiquement valide ou non en logique des predicats standard.
Ce tableau illustre une fois de plus le compromis existant entre l'expressivite d'un langage et
les raisonnements qui peuvent être realises. Il est par ailleurs important de noter que l'utilisation
d'un langage causal sans symbole de fonction conduit a une structure de treillis. C'est pourquoi
la plupart des travaux en PLI se placent dans ce cadre.
Avant d'aborder les moyens eectifs d'exploration de l'espace des hypotheses, il est necessaire
de rappeller plus formellement quelques concepts de base en logique.
5.2 La logique des predicats et les programmes logiques :

terminologie
Ce paragraphe denit de maniere plus rigoureuse ce qu'est une formule de la logique des
predicats, autrement dit quels sont les concepts que nous cherchons a apprendre. Ces concepts
sont construits a partir de symboles primitifs (les variables, les connecteurs, les quanticateurs,
les predicats, les fonctions et les parentheses), en respectant une syntaxe stricte. Cette syntaxe
permet, par l'application de certaines regles, de realiser des demonstrations dans ce systeme
formel, c'est-a-dire de deduire des theoremes a partir d'axiomes. Finalement, une semantique
doit être proposee pour permettre une interpretation hors de ce systeme formel qui n'a pas de
signication en soi ([NS93, GN88, Tau94]).
5.2.1 La syntaxe de la logique des predicats
Les formules logiques sont ecrites dans un langage construit a partir des symboles primitifs
suivants :
Variables X; Y : : : Une variable prend ses valeurs sur un domaine. Des exemples de domaines
sont : l'ensemble des nombres entiers, l'ensemble des clients d'une compagnie d'assurances.
Constante a; b; : : : , jerome; laure; : : : , 1; 2; : : : , V RAI , FAUX , : : : Un ensemble de constantes
forme le domaine d'une variable. Une instanciation d'une variable est une constante de
son domaine.
Connecteur :, _, ^, ;!, !
Quanticateur 8, 9
Predicats P; Q; : : : , sont ; maries, : : :
Un predicat possede une arite a (le nombre d'arguments sur lequel il porte) qui doit
valoir au moins 1. On note, si besoin est, le predicat de maniere plus complete par : P=a.
Un predicat est une relation entre plusieurs domaines de variables, autrement dit une
application de l'ensemble de ces domaines dans fV RAI; FAUX g. Par exemple, pour le
predicat sont ; maries=2 : sont ; maries(jerome; laure) = V RAI .
Fonction f , g; : : : , age ; aine : : :
Une fonction diere d'un predicat par la nature de son resultat, qui peut appartenir a
n'importe quel domaine. Par exemple, pour la fonction age;aine/2 : age;aine(jerome; X )
a pour valeurs l'age de l'aîne(e) de jerome (leur mere n'est pas ici precisee). Une fonction
d'arite 0 n'est autre qu'une constante.
Parentheses (, ).
5.2.1.1 Le langage de la logique des predicats
Terme Un terme est deni recursivement comme
soit une constante ;
soit une variable ;
soit une fonction appliquee a des termes, c'est-a-dire une expression de la forme :
f (t1; : : : ; tm ) ou f est une fonction d'arite m et les ti sont des termes.
Un exemple de terme : sont ; maries(pere(laure); mauricette)
Litteral Un litteral est un predicat applique a des termes, eventuellement precede du symbole
:. C'est donc une expression de la forme : p(t1 ; : : : ; tm) ou :p(t1; : : : ; tm), ou p est un
symbole de predicat et les ti sont des termes.
Un exemple de litteral : plus ; grand ; que(age(pere(X )); age(mauricette))
Atome Un litteral positif (c'est-a-dire non precede du symbole :) est appele un atome. Un
litteral qui ne contient pas de variable est dit clos ou completement instancie. Par exemple :
age(pere(jerome)) est un atome clos.
Formule Une formule est denie recursivement :

Un litteral est une formule.
Si et sont des formules alors ( _ ), ( ^ ), ( ;! ), ( ! ) et (:) sont
des formules.
Si v est une variable et est une formule, alors ((9v)) et ((8v)) sont des formules.
Sous-formule Une sous-formule est une suite de symboles d'une formule, mais qui est elle-même
une formule.
Variable libre et liee Une variable X est dite liee dans une formule s'il existe dans une
sous-formule commencant par ((8X ) ou par ((9X ). Sinon, X est dite libre.
5.2.1.2 Le langage des clauses et des programmes logiques
Clause Une clause est une formule de type particulier: c'est une disjonction nie de litteraux
dont toutes les variables sont quantiees universellement, c'est-a-dire commandees par 8.
On simplie en general l'ecriture d'une clause en supprimant les quanticateurs 8 : toute
variable doit donc être interpretee comme etant universellement quantiee.
Clause de Horn Une clause de Horn est une clause qui a soit zero soit un seul litteral positif.
Clause denie Une clause denie est une clause de Horn qui a exactement un litteral positif.
Une clause denie s'ecrit donc, quand on a supprime les quanticateurs universels :
A _ :B1 _ : : : _ :Bm
On transforme cette notation en :
B1 ^ : : : ^ Bm ;! A
puis, en introduisant un nouveau connecteur et en changeant la notation de la conjonction :
A ; B1 ; : : : ; Bm
Le connecteur ; signie l'implication du membre de gauche par le membre droit (donc
l'inverse de ;!). Cette notation est employee dans certaines versions du langage Prolog 8
Dans la suite de ce chapitre, les clauses seront notees de cette maniere.
8. La notation que nous employons est intermediaire entre la notation logique et la notation la plus classique en
Prolog, qui a ete utilisee plus haut. Selon cette derniere, une clause s'ecrit : A :- B1 ; : : : ; Bm :
Tête et corps de clause denie A, le seul litteral positif d'une clause denie est appele tête de
la clause et la conjonction B1 ; : : : ; Bm est le corps de la clause.
Une clause unitaire est une clause denie qui n'est composee que de son unique litteral
positif A ; elle est donc notee A ;
Clause but Une clause but est une clause de Horn qui n'a aucun litteral positif ; elle est donc
notee : ; B1 ; : : : ; Bm
Programme logique deni Un programme logique deni, ou pour simplier un programme lo-
gique, est un ensemble de clauses denies.
Par exemple :
enfant(X; Y ) ; fille(X; Y )
enfant(X; Y ) ; fils(X; Y )
fils(laurent; gaston) ;
fils(julien; laurent) ;
fille(laure; gaston) ;
fils(jerome; laure) ;
grand ; parent(gaston; julien) ;
grand ; parent(gaston; jerome) ;
grand ; parent(gaston; julien) ;
grand ; parent(gaston; jerome) ;
grand ; parent(X; Y ) ; enfant(Z; X ); enfant(Y; Z )
Programme Prolog Un programme Prolog est un programme logique deni. Une requête est
une clause but. Par exemple :
; enfant(Z; T ) % une clause but
enfant(X; Y ) ; fille(X; Y ) % une clause
enfant(X; Y ) ; fils(X; Y )
fils(laurent; gaston) ; % un fait
fils(julien; laurent) ;
fille(laure; gaston) ;
fils(jerome; laure) ;
5.2.2 Systeme de preuve pour les langages de clauses
E tant donne un programme logique P , le but est de faire des raisonnements a partir de ce
programme an de savoir, par exemple, quels faits sont V RAI etant donne P .
En pratique, la preuve dans un programme Prolog se fait en utilisant la regle d'inference
logique dite de modus ponens, qui s'enonce informellement : (( Si () et ( implique ) sont
V RAI , alors ( ) est V RAI )), et se note classiquement :
^ ( ;! )

L'algorithme de resolution, formalise par Robinson [Rob65], est employe pour cette demonstra-
tion. Nous allons le presenter apres avoir introduit les notions de substitution et d'unication.
5.2.2.1 La substitution
Une substitution est une liste nie de paires Xi =ti , ou Xi est une variable et ti un terme. Si
est la substitution fX1 =t1 ; : : : Xi =ti; : : : Xn=tn g, l'ensemble des variables fX1 ; : : : Xng est note
dom().
Une substitution s'applique a une formule F en remplacant chaque occurrence des variables
de dom() par le terme correspondant, le resultat etant note F.
5.2.2.2 L'unication

Si (si ; ti ) est une paire de termes, un unicateur est une substitution telle que pour tout
i : si = ti.
Si un tel unicateur existe, on dit que les termes (si ; ti ) peuvent s'unier.
L'unicateur de deux litteraux p(s1 ; : : : sm ) et p(t1 ; : : : tm ) est un unicateur de l'ensemble
des paires de termes f(si ; ti )g.
5.2.2.3 L'unicateur le plus general

L'unicateur le plus general (upg) est une substitution telle que pour tout unicateur , il
existe une substitution telle que = .
Il est demontre que l'upg de deux clauses est unique a un renommage de variables pres.
5.2.2.4 La resolution
La resolution d'un programme logique consiste en une suite d'etapes, chacune construisant
une nouvelle clause a partir de deux. Dans le cas d'un programme Prolog, dont les clauses sont
d'une forme particuliere (clauses denies et requêtes ne contenant que des litteraux), on peut
appliquer une methode adaptee : la SLD-resolution.
Une etape de SLD-resolution 9 est denie comme suit. Soit deux clauses Prolog :
C1 : H1 A ; a
C2 : H2 b
ou H1 , a et b sont des conjonctions (eventuellement vides) d'atomes. A est un litteral quelconque
du corps de C1 , et a est le reste du corps de C1 .
On dit que C1 peut être resolue avec C2 si H2 et A s'unient avec un upg (soit, A = H2 ).
Le resultat de l'etape de resolution est la clause suivante, appelee resolvante :
Res(C1 ; C2 ): H1 b ; a
Par cette denition, on impose donc que le litteral resolu s'unie avec la tête de C2 et avec
un litteral du corps de C1 .
Sur la gure 5.1, on a C1 = fille(X; Y ) parent(Y; X ) et C2 = parent(claire; marie).
C2 = parent(claire,marie) C1 = fille(X,Y) parent(Y,X)
C = fille(marie,claire)
Fig. 5.1 { Une etape de la resolution.
9. SLD pour : resolution lineaire avec fonction de selection pour clauses denies.
La clause C1 peut se recrire sous la forme C1 = fille(X; Y ) _ :parent(Y; X ). On peut alors

appliquer la regle de resolution en choisissant :
L1 = :parent(Y; X )
L2 = parent(claire; marie)
= fY=claire; X=marieg
La clause resolvante C est alors l'union de :
(C1 ; fL1 g) = fille(marie; claire)
(C2 ; fL2 g) = ;
5.2.2.5 Resolution et interpretation d'un programme Prolog
Prolog est un langage concu pour fournir une partie utile et ecace de la technique de
demonstration par refutation. Precisement, Prolog est un systeme base sur un demonstrateur
de theoreme utilisant une forme particuliere de resolution : la resolution lineaire avec fonction
de selection pour clauses denies (resolution SLD). Cette strategie restreint le choix des clauses
a chaque etape de resolution, ainsi que le choix du litteral qui est utilise. Cela correspond a
une recherche en profondeur cherchant d'abord a satisfaire chaque sous-but avant de passer au
suivant. Si cette strategie de recherche est systematique et (relativement) ecace, elle ne garantit
malheureusement pas la terminaison des demonstrations. Prolog est en ce sens un demonstrateur
sans garantie de completude : des theoremes vrais peuvent ne pas être demontres parce que le
demonstrateur tombe dans une branche innie.
Dans le formalisme de Prolog, la connaissance, ou theorie, est transcrite sous forme de faits
et de regles consideres comme des axiomes. Les requêtes sont exprimees comme des theoremes
(clauses de Horn negatives) dont on demande au demonstrateur de prouver leur validite dans la
theorie.
5.3 La structuration de l'espace des hypotheses en logique des

predicats
Muni de la relation de couverture et d'une des relations de subsomption denies dans la sec-
tion 5.1.2, il est possible d'envisager l'induction de programmes logiques comme une exploration
de l'espace des hypotheses, guidee par les relations de subsomption. C'est ainsi par exemple que
pour generaliser deux programmes, on cherchera leur plus petite generalisation suivant la relation
de subsomption consideree, en faisant l'hypothese qu'en generalisant minimalement on limite les
risques de surgeneralisation. Le raisonnement est le même pour la recherche de specialisations.
Nous allons maintenant examiner les moyens eectifs de calculer des plus petites generalisations
et des specialisations maximales en fonction des relations de subsomption utilisees.
5.3.1 Le calcul de la lgg pour la -subsomption
Denition 5.1 (-subsomption)
On dit qu'une clause c1 -subsume une clause c2 si et seulement si il existe une substitution
telle que c1 c2 . c1 est alors une generalisation de c2 par -subsomption.
Par exemple, la clause :
pere(X; Y ) parent(X; Y ); etalon(X )
-subsume la clause :
pere(neral; aziza) parent(neral; aziza); etalon(neral); jument(aziza)
avec = f(X = neral); (Y = aziza)g
Plotkin a introduit la notion de moindre generalise ou encore de plus petit generalise [Plo70],
un operateur de generalisation qui permet de generaliser deux clauses. Le calcul de la generalisation
la moins generale de deux clauses est deni par les regles suivantes :
La generalisation la moins generale de deux termes t1 et t2 , notee lgg(t1 ; t2) (least general
generalization), est une variable si :
{ au moins un des deux termes est une variable,
{ un des deux termes est une constante, et t1 6= t2 ,
{ t1 et t2 sont deux termes fonctionnels construits sur des symboles de fonction dierents.
Si t1 = f (c1; : : : ; cn ) et t2 = f (d1; : : : ; dn ), alors
lgg(t1 ; t2 ) = f (lgg(c1 ; d1 ); : : : ; lgg(cn ; dn ))
Pour appliquer cette regle, il faut prendre soin de verier que si 1 et 2 sont les deux
substitutions telles que lgg(t1 ; t2 )i = ti (i 2 f1; 2g), alors il ne doit pas exister deux
variables distinctes X et Y telles que X1 = Y 1 et X2 = Y 2 .
Par exemple, la generalisation la moins generale de f (a; b; a) et de f (b; a; b) est f (X; Y; X )
et non f (X; Y; Z ).
La lgg de deux litteraux construits sur le même symbole de predicat est donnee par :
lgg(p(t1 ; : : : ; tn ); p(s1 ; : : : ; sn)) = p(lgg(t1 ; s1 ); : : : ; lgg(tn ; sn))
Enn, la lgg de deux clauses l0 ; l1 ; : : : ; ln et m0 ; m1; : : : ; mn est une clause qui a
pour tête lgg(l0 ; m0 ), et pour corps l'ensemble des lgg(li ; mi ) pour tout couple (li ; mi ) de
litteraux de même signe et de même predicat.
Pour illustrer la lgg, considerons les deux scenes constituees d'objets geometriques, representees
sur la gure 5.2 [MB96].
a f
b c d e
Scène S1 Scène S2
Fig. 5.2 { La generalisation la moins generale.
La premiere scene represente trois objets a, b, et c. L'objet a est un cercle, b est un carre et
c est un triangle. Les objets sont places de telle facon que a est au-dessus de b, et que b est situe
a gauche de c. La deuxieme scene represente trois objets d, e, et f decrits de maniere similaire.

Les deux scenes S1 et S2 sont decrites par les deux clauses suivantes qui decrivent le placement
de trois gures geometriques :
scene(s1) scene(s2)
sur(s1; a; b), sur(s2; f; e),
a gauche(s1; b; c), a gauche(s2; d; e),
cercle(a), cercle(f ),
carre(b), carre(d),
triangle(c). triangle(e).
La lgg des clauses representant les deux scenes de la gure 5.2 est la clause suivante :
scene(S )
sur(S; A; B ); a gauche(S; C; D);
cercle(A); carre(C ); triangle(D):
Cette clause generalise les deux clauses precedentes et traduit le fait que dans les deux scenes,
l'objet circulaire se trouve au-dessus d'un autre objet, et que l'objet carre est a gauche de l'objet
triangulaire.
5.3.2 Le calcul de rlgg pour la -subsomption relative

On denit la plus petite generalisation relative (rlgg), (relative least general generalization)
de deux clauses en utilisant la -subsomption relative de maniere tout a fait analogue.
Denition 5.2 (-subsomption relative)
Soit P un programme logique. Une clause c1 -subsume une clause c2 relativement a P si et
seulement si il existe une substitution telle que P j= c1 ! c2 .
Denition 5.3 (rlgg de deux exemples)

Soient deux exemples e1 et e2 qui sont des atomes lies. Soit une theorie du domaine T =
a1 ^ : : : ^ an ou les ai sont egalement des atomes lies. La rlgg de e1 et e2 est donnee par :
rlgg(e1 ; e2 ) = lgg(e1 ; T; e2 ; T )
avec :
ei ; T = :T _ ei
= :(a1 ^ : : : ^ an ) _ ei
= :a1 _ : : : _ :an _ ei
Nous illustrons le calcul de la rlgg de deux clauses en considerant l'exemple du tri rapide
(quick sort) [MF90]. La theorie du domaine, qui traduit la connaissance initiale sur le probleme
est constituee d'instances de litteraux construits sur les predicats partition=4 et append=3 :
partition(1; []; []; []) ;
partition(2; [4; 3; 1; 0]; [1; 0]; [4; 3]) ;
:::
append([]; [1]; [1]) ;
append([0; 1]; [2; 3; 4]; [0; 1; 2; 3; 4]) ;
:::
Supposons que l'on dispose d'un certain nombre d'exemples de tris realises a l'aide du predicat
qsort=2 :
qsort([]; []) ;
qsort([1; 0]; [0; 1]) ;

qsort([4; 3]; [3; 4]) ;
:::
On dispose aussi de deux exemples positifs e1 et e2 dont on desire calculer la rlgg d'apres la
denition 5.3.
e1 = qsort([1]; [1])
e2 = qsort([2; 4; 3; 1; 0]; [0; 1; 2; 3; 4])
La rlgg de e1 et e2 est donnee par :

rlgg(e1 ; e2 ) = lgg(e1 T; e2 T)
ou T est la conjonction de tous les atomes lies de la theorie du domaine et des exemples. On a
donc :
e1 T = qsort([1]; [1])
append([]; [1]; [1]); append([0; 1]; [2; 3; 4]; [0; 1; 2; 3; 4]); : : : ;
partition(1; []; []; []); partition(2; [4; 3; 1; 0]; [1; 0]; [4; 3]); : : : ;
qsort([]; []); qsort([1; 0]; [0; 1]); qsort([4; 3]; [3; 4])
:::
et
e2 T = qsort([2; 4; 3; 1; 0]; [0; 1; 2; 3; 4])
append([]; [1]; [1]); append([0; 1]; [2; 3; 4]; [0; 1; 2; 3; 4]); : : : ;
partition(1; []; []; []); partition(2; [4; 3; 1; 0]; [1; 0]; [4; 3]); : : : ;
qsort([]; [])
qsort([1; 0]; [0; 1]); qsort([4; 3]; [3; 4])
:::
La rlgg des atomes e1 et e2 est donc denie par :

rlgg(e1 ; e2 ) = qsort([AjB ]; [C jD])
append(E; [AjF ]; [C jD]); append([]; [1]; [1]);
append(G; [H jJ ]; [J jK ]); append([0; 1]; [2; 3; 4]; [0; 1; 2; 3; 4]);
partition(A; B; L; M ); partition(1; []; []; []);
partition(H; N; O; P ); partition(2; [4; 3; 1; 0]; [1; 0]; [4; 3]);
qsort(L; E ); qsort([]; []);
qsort(O; G); qsort([1; 0]; [0; 1]);
qsort(M; F ); qsort(P; I ); qsort([4; 3]; [3; 4]);
:::
La construction de la rlgg pose un certain nombre de problemes. En eet, comme nous l'avons
deja evoque, les atomes de la theorie du domaine T utilises dans le calcul de la rlgg doivent être
des atomes lies. Cela impose une denition en extension de la theorie du domaine, ce qui n'est
pas concevable pour la majorite des problemes a resoudre. Pour resoudre ce probleme, [Bun88]
suggere de calculer cette denition en extension a partir du plus petit modele de Herbrand de la
connaissance initiale exprimee en intension. Cette methode n'est pas entierement satisfaisante,
puisqu'elle risque d'omettre un certain nombre d'instances de la theorie du domaine et fausser
le resultat de l'algorithme d'apprentissage. Plotkin, quant a lui, propose une methode pour
supprimer les litteraux logiquement redondants [Plo71a] [Plo71b]. Malheureusement, la detection
des litteraux redondants est coûteuse puisqu'elle necessite la mise en place de techniques de
preuve de theoreme. De plus, les clauses debarassees de leurs litteraux redondants peuvent
encore contenir un grand nombre de litteraux.
5.3.3 Le calcul de lgg pour la resolution inverse
Plutôt que de denir la subsomption par reference a la semantique, Muggleton a propose
de la denir a partir de la technique de preuve, qui en logique des predicats, est le principe de
resolution de Robinson utilise dans Prolog. Dans ce cadre, on dira qu'une clause subsume une
autre clause si elle permet la deduction de celle-ci par SLD-resolution. Plus formellement :
Denition 5.1 (SLD-subsomption)
Soit P un programme logique; une clause C est plus generale qu'une clause D au sens de la
SLD-subsomption relativement a P ssi C; P `SLD D.
En dehors du fait qu'elle prend en compte la theorie du domaine sous la forme du programme
P , l'un des interêts de cette denition est qu'elle induit, comme la -subsomption, des operations
syntaxiques sur les programmes qui sont les fondements de la technique d'apprentissage par
inversion de la resolution. Par ailleurs, la justesse de la SLD-resolution garantit que ce qui
derive d'une theorie par SLD-resolution est une consequence logique de cette theorie. En bref, si
C; P `SLD D, alors C; P j= D, ce qui fait de la SLD-subsomption un cas particulier (( constructif ))
de l'implication relative a une theorie.
On peut alors deriver analytiquement l'inversion de la resolution a partir de la regle de
resolution exprimee par l'equation 5.1. Tout d'abord, peut toujours s'ecrire sous la forme
d'une composition de substitutions 1 et 2 , avec i contenant les variables de Ci . L'equation
s'ecrit donc :
C = (C1 ; fL1 g)1 [ (C2 ; fL2 g)2 (5.1)
On restreint l'inversion de resolution a l'inference de clauses C2 qui ne contiennent aucun
litteral en commun avec C1 .
C ; (C1 ; fL1 g)1 = (C2 ; fL2g)2
or L1 1 = :L2 2 donc L2 = :L1 1 2;1 , on obtient ainsi :
C2 = (C ; (C1 ; fL1 g)1 )2;1 [ f:L1 1 2;1 g (5.2)
On note le non-determinisme de cet operateur, notamment concernant le choix de la clause
C1, et des substitutions 1 et 2 .
Dans le cadre de la PLI, S. Muggleton et W. Buntine ont donc eu l'idee d'inverser la resolution
classique utilisee en programmation logique. Dans [Mug87], S. Muggleton introduit quatre regles
de resolution inverse. La notation BA s'interprete comme : on peut deduire A de B :
Absorbtion (operateur V)
q ; A p ; A; B
q ; A p ; q; B
Identication (operateur V)
p ; A; B p ; A; q
q ; B p ; A; q
Intra construction (operateur W)
p ; A; B p ; A; C
q ; B p ; A; q q ; C
Inter construction (operateur W)
p ; A; B q ; A; C
p ; r; B r ; A q ; r; C
Dans ces regles, les lettres minuscules representent des atomes et les lettres majuscules
des conjonctions d'atomes. Les regles d'absorbtion et d'identication inversent une etape de
resolution. La gure 5.3 montre comment l'operateur V inverse une etape de la resolution.
q A p q,B
p A,B
Fig. 5.3 { L'operateur V d'absorbtion.
La gure 5.4 illustre par un exemple le comportement de l'operateur V en montrant plusieurs

etapes de resolution inversee. La theorie du domaine est ici constituee des clauses b1 et b2 et on
dispose d'une observation e1 . L'operateur V permet, a partir de l'exemple e1 et de la clause b2 ,
d'induire la clause c1 . La clause c1 permet ensuite, avec la clause b1 , d'induire la clause c2 .
b1 = femme(marie) c2 = fille(marie,claire)
femme(marie),
parent(claire,marie)
b2 = parent(claire,marie) c1 = fille(marie,claire)
parent(claire,marie)
e1 = fille(marie,claire)
Fig. 5.4 { La resolution inverse.
q B p A,q q C
p A,B p A,C
Fig. 5.5 { L'operateur W d'intra-construction.
Les operateurs d'intra construction et d'inter construction, appeles aussi operateurs W (gure
5.5) resultent de la combinaison de deux operateurs V qui representent chacun une etape inverse
de resolution.
Ces regles d'inference presentent la particularite d'introduire un nouveau predicat qui n'ap-
paraissait pas dans les preconditions des regles. Par exemple, l'operateur W de la gure 5.5
introduit le nouveau predicat q. On parle alors d'invention de predicat, utilisee par exemple
dans le systeme Cigol [MB88b]. L'invention de predicat est bien illustree par l'exemple de la
gure 5.6.
En eet, dans cet exemple, on dispose des deux clauses :
min(X; [s(X )kZ ]) ; min(X; Z )

min(X; [s(s(X ))kZ ]) ; min(X; Z )
min(X,[Y|Z])
inf(X,s(X)) min(X,Z),inf(X,Y). inf(X,s(s(X)))
θ1 = {Y/s(X)} θ2 = {Y/s(s(X))}
min(X,[s(X)|Z]) min(X,[s(s(X))|Z])
min(X,Z). min(X,Z).
Fig. 5.6 { L'intra construction.

et l'application de l'operateur W permet d'induire les trois clauses :

inf (X; s(X )) ;
min(X; [Y kZ ]) ; min(X; Z ); inf (X; Y )
inf (X; s(s(X ))) ;
dans lesquelles on constate que le predicat inf=2 a ete invente.
L'inversion de la resolution est une operation non deterministe. Typiquement, a chaque etape
de l'inversion de la resolution, plusieurs generalisations d'une clause peuvent être realisees, en
fonction du choix de la clause avec laquelle elle est resolue, et de la substitution inverse employee.
Pour surmonter ce probleme de non-determinisme, Muggleton a propose, dans un cadre uniant
la plus petite generalisation relative (rlgg) et la resolution inverse, que ce soit l'inversion de
resolution la plus specique qui soit choisie dans le processus de generalisation, en utilisant la
substitution inverse la plus specique a chaque pas de l'inversion de resolution.
5.4 L'exploration de l'espace des hypotheses

La notion de couverture d'un exemple par une hypothese, la relation de subsomption entre hy-
potheses et les operateurs permettant de construire les plus petites generalisations (ou specialisations)
autorisent a envisager une approche de l'apprentissage par la determination de l'espace des ver-
sions, comme cela a ete montre dans la chapitre 4. Cependant, en raison de la taille de l'espace
des versions en programmation logique inductive, les programmes d'induction ne cherchent pas
a construire l'espace des versions, même a l'aide des bornes que sont le S-set et le G-set. Ils
cherchent (( seulement )) a trouver une solution dans l'espace des versions. Pour ce faire, ils par-
courent l'espace des hypotheses en suivant les directions de generalisation et de specialisation, en
essayant d'elaguer au maximum l'espace des versions et en se guidant par des biais heuristiques
tentant d'accelerer la recherche.
Les programmes de PLI s'imposent en general de respecter certaines contraintes connues sous
le nom de semantique normale [MD94]. Elles correspondent a une reformulation des conditions
de coherence (completude et correction) d'une hypothese avec les exemples positifs et negatifs.
E tant donnes une theorie du domaine T , c'est-a-dire un ensemble de clauses qui re etent
la connaissance a priori sur domaine du probleme, un ensemble d'exemples E , (avec l'ensemble
E = E + [ E ; constitue d'exemples positifs et negatifs), la programmation logique inductive
cherche a induire une hypothese H , composee d'un ensemble de clauses, telle que les quatre
conditions suivantes soient respectees :
Denition 5.2 (Semantique normale)
satisabilite a priori : T ^ E ; 6j= 2
satisabilite a posteriori : T ^ H ^ E ; 6j= 2
necessite a priori : T 6j= E +
condition a posteriori (completude) : T ^ H j= E +
La condition de satisabilite a priori permet de s'assurer que les exemples negatifs ne peuvent
pas être deduits de la connaissance initiale.
La condition de consistance permet de verier qu'a partir de l'hypothese induite et de la

theorie du domaine, on ne peut pas prouver d'exemple negatif.
Il est egalement necessaire que les exemples positifs ne puissent pas être deduits de la connais-
sance T (necessite a priori).
L'hypothese induite doit quant a elle permettre, avec la connaissance initiale, de prouver les
exemples positifs (condition a posteriori).
En fait, dans la plupart des systemes de PLI, la theorie (ou connaissance initiale) T du
domaine et l'hypothese H a induire sont exprimees sous forme de clauses denies. Dans ce
cas, on parle de semantique denie 10 . Seules les quatre conditions suivantes doivent alors être
remplies :
Denition 5.3 (Semantique denie)
8e 2 E ; ; e est faux dans M(T )
8e 2 E ; ; e est faux dans M(T ^ H )
9e 2 E + ; tel que e est faux dans M(T )
8e 2 E + ; e est vrai dans M(T ^ H )
Pour simplier et pour couvrir les cas pratiques, la majorite des systemes de programmation
logique inductive est basee sur le cas particulier de la semantique denie, dans lequel tous les
exemples sont des faits lies.
5.4.1 Le squelette des algorithmes de PLI

L'algorithme generique de la PLI utilise deux fonctions : la fonction eacer in uence la
strategie de recherche qui peut alors être eectuee soit en largeur d'abord, soit en profondeur
d'abord, ou selon une autre strategie ; la fonction choisir determine les regles d'inference a
appliquer a l'hypothese H .
Denition 5.4 (Regle d'inference deductive r)
Elle fait correspondre une conjonction de clauses S a une conjonction de clauses G telle que
G j= S . r est une regle de specialisation.
10. Si une theorie T est constituee de clauses denies, elle possede une fermeture syntaxique appelee le plus petit
modele de Herbrand dans lequel toute formule logique est soit vraie, soit fausse.
Algorithme 5.1 Algorithme generique de PLI
Initialiser H
tant que la condition d'arrêt de H n'est pas remplie faire
eacer un element h de H
choisir des regles d'inference r1 ; : : : ; rk a appliquer a h
Appliquer les regles r1 ; : : : ; rk a h pour obtenir h1 ; : : : ; hn
Ajouter h1 ; : : : ; hn a H
elaguer H
n tant que
Denition 5.5 (Regle d'inference inductive r)

Elle fait correspondre une conjonction de clauses G a une conjonction de clauses S telle que
G j= S . r est une regle de generalisation.
5.4.1.1 Strategies de recherche
La strategie de recherche est un choix fondamental pour le concepteur d'un systeme de PLI :
Les systemes Cigol [MB88b], Clint [De 92], et Golem [MF90] sont representatifs de
la classe des systemes ascendants. Ils considerent les exemples et la theorie du domaine
et generalisent iterativement l'hypothese recherchee en appliquant des regles d'inference
inductives.
Les systemes Foil [Qui90], [QC95] Mobal [KW92], Progol [Mug95], et Claudien
[DB93], [DVD96], [DD97] sont quant a eux representatifs de la classe des systemes des-
cendants. Ils considerent d'abord l'hypothese la plus generale qu'ils cherchent a specialiser
iterativement en appliquant des regles d'inference deductives.
5.4.1.2 L'elagage de l'espace de recherche
La fonction elaguer determine quelles hypotheses doivent être enlevees de l'ensemble H .
La generalisation et la specialisation sont a la base de deux cas d'elagage de l'ensemble des
hypotheses. Cet elagage est le même que celui pratique dans la construction de l'espace des
versions par l'algorithme d'elimination des candidats.
Si B ^ H n'implique pas logiquement un exemple positif e+, c'est-a-dire B ^ H 6j= e+,
alors aucune specialisation de H ne pourra impliquer e+ , et toutes les specialisations de
H peuvent donc être elaguees de l'espace de recherche.
Si un exemple negatif e; est couvert, c'est-a-dire B ^ H ^ e; j= 2, alors toutes les
generalisations de H peuvent être elaguees puisqu'elles sont egalement inconsistantes avec
B ^ E.
L'exemple de la gure 5.7 illustre le premier cas.
Supposons que la base de connaissances contienne les faits :
pere(gaston; francois) ;
pere(gaston; laurent) ;
pere(laurent; julien) ;
et que l'ensemble des exemples positifs contienne l'exemple :
oncle(francois; julien) ;
Clause la plus
générale
oncle(A,B)
oncle(A,B) pere(A,B)
Clause la plus
spécifique
Fig. 5.7 { L'elagage de l'espace de recherche par la relation de subsomption.
on peut elaguer toutes les clauses plus speciques que la clause oncle(A; B ) ; pere(A; B ) (zone
hachuree de la gure 5.7).
Mais l'espace de recherche n'est pas elague assez ecacement par cette propriete, qui rappelons-
le, decoule directement de la relation de subsomption entre hypotheses. Il faut donc denir des
biais supplementaires limitant davantage l'espace de recherche.
5.4.2 Les biais de recherche dans l'espace d'hypotheses

L'espace de recherche peut être tres vaste, voire inni. L'implantation eective d'un systeme
de PLI necessite donc l'utilisation de biais declaratifs. Les biais imposent des contraintes ou des
restrictions sur les hypotheses que l'algorithme peut considerer et denissent donc l'espace de
recherche. Le rôle du biais est double :
reduire la taille de l'espace de recherche pour diminuer le temps de reponse du systeme ;
garantir une certaine qualite de l'apprentissage en interdisant au systeme de considerer
certaines hypotheses inutiles.
On distingue deux classes de biais declaratifs : les biais syntaxiques, aussi appeles biais de
langage, et les biais semantiques.
5.4.2.1 Les biais syntaxiques
Un biais syntaxique permet de denir l'ensemble des hypotheses envisageables en speciant
explicitement leur syntaxe. Le nombre des hypotheses a considerer peut en particulier être reduit
par les methodes suivantes :
limiter le nombre de litteraux des clauses induites ;
limiter le nombre de variables apparaissant dans une clause ;
limiter la profondeur de la recursion dans les termes ;
n'autoriser que les clauses range-restricted, c'est-a-dire dont l'ensemble des variables de la
tête est inclu dans l'ensemble des variables du corps.

5.4.2.2 Les biais semantiques
Si les biais syntaxiques restreignent l'espace de recherche en imposant la syntaxe des hy-
potheses, les biais semantiques imposent des restrictions sur le sens des hypotheses. La denition
de types et de modes est utilisee depuis de nombreuses annees en programmation logique an de
permettre une meilleure analyse statique des programmes et ainsi d'augmenter leur ecacite.
Depuis leur introduction dans le systeme MIS [Sha83], il est devenu courant d'utiliser egalement
les modes et les types en PLI. Ils constituent alors une facon de denir des biais semantiques.
En eet, si un litteral contient une variable L de type t, toutes les autres occurences de cette
variable L dans la même clause devront egalement être de type t. Ceci permet d'elaguer de l'es-
pace de recherche des clauses incorrectement typees. De même, la declaration de modes permet
de restreindre la taille de l'espace de recherche. Par exemple, l'utilisation du predicat concat=3
associee a la declaration de mode suivante :
concat(+L1; +L2; ;L3)
ou `+' signie argument en entree (devant être instancies), et `-' argument en sortie, permet de
rejeter de l'espace de recherche toutes les clauses utilisant le predicat concat sur des variables
ne respectant pas ce mode, comme par exemple :
concat(L1; L2; [a; b; c])
Voici quelques facons d'utiliser les modes sur les variables des predicats :
Toutes les variables en entree dans la tête de la clause doivent se retrouver dans le corps
de clause.
Les variables en sortie dans la tête doivent être presentes dans le corps.
On peut aussi forcer toutes les variables en sortie dans le corps soit a servir de resultat
intermediaire (et donc d'être en entree dans un autre predicat), soit a servir a denir la
sortie du predicat de la tête (et donc d'appara^tre en sortie dans la tête).
Il est egalement envisageable d'interdire qu'une même variable apparaisse plusieurs fois en
sortie de dierents predicats dans le corps de la clause.
Le systeme Progol [Mug95],[Rob97] permet par exemple de declarer des modes sur les va-
riables des litteraux an de restreindre le nombre potentiel de clauses dans l'espace de recherche.
De plus, le systeme distingue les predicats pouvant appara^tre en tête de clause de ceux admis
dans le corps. Les litteraux qui peuvent appara^tre en tête sont declares avec la directive modeh.
Les litteraux autorises dans les corps de clauses sont eux declares grâce a la directive modeb.
Par exemple, la declaration
modeh(1; plus(+int; +int; ;int))
specie que la tête des clauses de l'espace de recherche sera constituee du predicat plus=3 avec
trois arguments de type entier, les deux premiers arguments etant en mode entree et le dernier
en mode sortie.
5.5 Deux exemples de systemes de PLI

5.5.1 Un systeme empirique descendant : Foil
Le systeme Foil 11 [Qui90] a ete developpe par J.R. Quinlan et a ensuite inspire d'autres
systemes parmi lesquels Focl [PK92], Foidl [MC95a], MFoil [Dze93], ICN et MULT ICN
[MV95]. Foil cherche a induire un programme logique qui couvre tous les exemples positifs
du concept a apprendre, et aucun exemple negatif. Chaque clause apprise est construite par
specialisation successive de la clause la plus generale par ajout d'un nouveau litteral. Le litteral
ajoute est choisi en calculant un gain d'information de facon similaire a la construction d'un arbre
de decision (voir le chapitre 11). L'utilisation de Foil impose une representation en extension
de la theorie du domaine. Foil permet de denir des biais syntaxiques (limitation du nombre
de variables apparaissant dans chaque clause, taux minimal de couverture des clauses, etc.). Il
est egalement possible de preciser les modes des arguments des predicats.
5.5.1.1 L'algorithme
Algorithme 5.2 Algorithme Foil
P ;;
Pos ; exemples positifs
tant que Pos est non vide faire
Neg ; exemples negatifs
C = q(X1 ; : : : ; Xn )
tant que Neg est non vide faire
Ajouter le litteral de meilleur gain au corps de C
Retirer de Neg les exemples negatifs non couverts par C
n tant que
Ajouter la clause apprise C a P
Retirer de Pos les exemples couverts par C
n tant que
Retourner le programme appris P
L'algorithme ci-dessus est l'algorithme de base du systeme Foil. La boucle la plus externe
permet de construire des clauses tant que tous les exemples ne sont pas couverts. La boucle
interne construit une clause en ajoutant un a un des litteraux qui ont le gain le plus eleve. Pour la
11. Le systeme Foil est accessible par ftp a l'adresse ftp.cs.su.oz.au/pub/foil6.sh
construction de chaque clause a l'etape i, Foil gere deux ensembles de tuples Ti+ et Ti; . Chaque
element de ces ensembles est une instance liee de la clause en construction correspondant a un
exemple couvert. Les tuples de Ti+ correspondent a des exemples positifs, et ceux de Ti; a des
exemples negatifs. A chaque etape, les ensembles Ti+ et Ti; sont calcules a partir des ensembles
Ti+;1 et Ti;;1 de l'etape precedente. La fonction de gain utilisee pour le choix du litteral L a
ajouter lors du passage a une nouvelle etape est calculee a partir du nombre d'elements des
dierents ensembles de tuples :
!
k T +k k Ti++1 k
kTi k + kTi; k ; log2 kTi++1 k + kTi;+1 k
gain(L) = n+i log2 + i
ou n+i est le nombre d'exemples positifs couverts par la clause en construction, et les Ti+1 sont
les ensembles de tuples consideres lorsqu'on a ajoute le litteral L.

L'un des problemes majeurs de Foil intervient lors de la construction d'une clause. En eet,
a chaque ajout d'un litteral dans la clause, il se peut que le nombre de litteraux candidats
soit tres grand. Or pour chacun d'entre eux, Foil doit calculer les ensembles de tuples positifs
et negatifs pour être en mesure d'evaluer le gain. Ceci peut être prejudiciable a l'ecacite du
systeme.
Du fait de sa methode d'apprentissage, Foil permet de traiter des donnees bruitees. En eet,
il peut considerer qu'une certaine partie des exemples est bruitee, et arrêter la construction de
la clause lorsqu'un certain pourcentage d'exemples est couvert.
5.5.1.2 Une illustration du fonctionnement
Nous illustrons l'utilisation du systeme Foil par l'apprentissage d'une denition du concept
oncle. On dispose de la connaissance suivante sur les liens de parente au sein d'une famille.
/* valeurs possibles pour les arguments des predicats */
P: alfred,michel,remi,franck,charles,paul.
oncle(P,P)
/* exemples positifs pour le predicat oncle */
remi,paul remi,franck michel,charles
;
/* exemples negatifs pour le predicat oncle */
alfred,alfred alfred,michel alfred,remi
alfred,franck alfred,charles alfred,paul
michel,alfred michel,michel michel,remi
michel,franck michel,paul remi,alfred
remi,michel remi,charles remi,remi
franck,paul franck,alfred franck,michel
franck,remi franck,franck franck,charles
charles,paul charles,alfred charles,michel
charles,remi charles,franck charles,charles
paul,paul paul,alfred paul,michel
paul,remi paul,franck paul,charles
.
*pere(P,P)
/* exemples positifs pour le predicat pere */
michel,paul alfred,michel alfred,remi
michel,franck remi,charles
;
/* exemples negatifs pour le predicat pere */
alfred,alfred alfred,franck alfred,charles
alfred,paul michel,alfred michel,michel
michel,remi michel,charles remi,alfred
remi,michel remi,remi remi,franck
remi,paul franck,alfred franck,michel
franck,remi franck,franck franck,charles
franck,paul charles,alfred charles,michel
charles,remi charles,franck charles,charles
charles,paul paul,alfred paul,michel
paul,remi paul,franck paul,charles
paul,paul
Foil apprend le predicat oncle/2 deni par la clause :

oncle(A,B) :- pere(C,A), pere(D,B), pere(C,D), A<>D.
5.5.2 Un systeme empirique ascendant : Progol

Progol 12 est un systeme de PLI base sur l'implication inverse [Mug95]. Il cherche a induire
des clauses grâce a une approche descendante. Progol possede la particularite de calculer, avant
de construire une clause, la clause la plus specique couvrant l'exemple considere. Cette clause
la plus specique constitue une borne lors du processus de construction de la clause a induire.
La clause nale est calculee grâce a un algorithme A integrant une mesure de compression que
Progol cherche a maximiser.
Des declarations de modes et de types permettent de denir des biais semantiques. Il est
necessaire de specier le litteral a employer en tête de clause (en utilisant la directive modeh), et
les litteraux qu'il est possible d'utiliser dans le corps des clauses (en utilisant la directive modeb).
Progol permet de denir la theorie du domaine en intension sous la forme de clauses Prolog.
Notons que ceci est un apport signicatif par rapport a Foil avec lequel il etait necessaire
de denir la connaissance initiale en extension. Les exemples positifs sont exprimes par des
clauses denies, et les exemples negatifs sont des negations de faits instancies. [Rob97] expose
les dierents parametres du systeme.
5.5.2.1 L'algorithme
Le principe du fonctionnement de Progol est donne par l'algorithme 5.3.
5.5.2.2 Une illustration du fonctionnement
Considerons par exemple, l'apprentissage du tri rapide par Progol. Etant donne le pro-
gramme suivant :
% Declaration des modes pour le litteral en tete de clause
:- modeh(1,qsort([+int|+ilist],-ilist))?
% Declaration des modes pour les litteraux en corps de clause

:- modeb(1,qsort(+ilist,-ilist))?
:- modeb(1,part(+int,+ilist,-ilist,-ilist))?
12. Le systeme Progol est accessible par ftp a l'adresse suivante : ftp.comlab.ox.ac.uk/pub/Packages/ILP
Algorithme 5.3 Algorithme Progol
tant que il reste des exemples positifs faire
pour chaque exemple positif e faire
Construire la clause c1 la plus specique qui implique l'exemple e
Trouver une clause c2 plus generale que c1 (au sens de la -subsomption) telle que la
mesure de compression soit maximale
Retirer tous les exemples couverts par la clause c2
n pour
n tant que
:- modeb(1,append(+ilist,[+int|+ilist],-ilist))?
% Types
ilist([]).
ilist([Head|Tail]) :- int(Head), ilist(Tail).
% Theorie du domaine definie en intension

part(X,[],[],[]).
part(X,[X|Tail],List1,List2) :- part(X,Tail,List1,List2).
part(X,[Head|Tail],[Head|Tail1],List2) :-
Head < X, part(X,Tail,Tail1,List2).
part(X,[Head|Tail],List1,[Head|Tail2]) :-
Head > X, part(X,Tail,List1,Tail2).
append([],List,List).
append([Head|Tail],List1,[Head|List2]) :- append(Tail,List1,List2).
Exemples positifs Exemples negatifs

qsort([],[]). :- qsort([0,2,1],[0,2,1]).
qsort([3,2,1],[1,2,3]). :- qsort([0,2,1],[0,1]).
qsort([X],[X]). :- qsort([1,0,2],[2,0,1]).
qsort([X,Y],[X,Y]) :- X < Y. :- qsort([1,0,2],[2,1,0]).
qsort([Y,X],[X,Y]) :- X < Y. :- qsort([1,2,0],[1,0,2]).
qsort([X,Y,Z],[X,Y,Z]) :- X<Y, Y<Z. :- qsort([0,2,1],[2,1,0]).
qsort([X,Z,Y],[X,Y,Z]) :- X<Y, Y<Z. :- qsort([2,1,0],[2,1,0]).
qsort([X,Z,Y],[X,Y,Z]) :- X<Y, Y<Z. :- qsort([2,0,1],[2,1,0]).
qsort([Y,X,Z],[X,Y,Z]) :- X<Y, Y<Z. :- qsort([2,1],[1]).
qsort([Y,Z,X],[X,Y,Z]) :- X<Y, Y<Z. :- qsort([1],[2]).
qsort([Z,X,Y],[X,Y,Z]) :- X<Y, Y<Z. :- qsort([0,1,2],[1,0,2]).
:- qsort([0,1],[1,0,1]).
Le systeme Progol induit une denition du predicat qsort=2 sous la forme des clauses
suivantes :
qsort([],[]).
qsort([A|B],C) :- qsort(B,D), part(A,D,E,F), append(E,[A|F],C).
Sur cet exemple, la strategie de parcours de l'espace de recherche par Progol est bien mise
en evidence. La clause la plus specique est d'abord calculee, puis Progol part de la clause la
plus generale et la specialise en ajoutant des litteraux. Pour chaque clause examinee, Progol
compte le nombre d'exemples positifs et negatifs couverts et fait une mesure de compression qui
lui permet de selectionner la clause a retenir.
5.6 Les domaines d'application de la PLI

Decoupe en elements nis
La decoupe en elements nis est une technique tres utilisee par les ingenieurs qui cherchent
a analyser des contraintes sur des structures physiques [DM92]. La gure 5.8 est un exemple
de decoupage en elements nis. Les contraintes qui s'exercent sur la structure peuvent être
exprimees par des equations dierentielles. Cependant il n'est pas possible de resoudre de telles
equations a l'aide d'un ordinateur en un temps acceptable. Pour resoudre ce probleme, les
ingenieurs decoupent la structure en un nombre ni d'elements, et utilisent des approximations
lineaires pour calculer les contraintes sur chaque partie elementaire de la structure.
Dans la pratique, il n'existe pas de methode generale permettant de realiser un maillage
acceptable pour une piece. GOLEM a ete utilise dans ce contexte en vue d'induire un modele de
la methode utilisee par les experts pour decouper les structures. Il faut noter que les experts ne
sont pas capables de modeliser leur methode de decoupage et que GOLEM est ici utilise pour
extraire cette expertise.
Fig. 5.8 { Une piece decoupee en parties elementaires.
La densite du maillage depend des proprietes geometriques de l'objet, des forces et des
contraintes qui agissent sur l'objet, et des relations entre les dierents composants de l'objet.
Pour traiter ce probleme avec la PLI, une structure est representee par un ensemble d'arêtes,
des proprietes sur les arêtes, et des relations entre les arêtes. Chaque objet est ainsi decrit en
speciant :
Le type de ses arêtes : longue importante, importante, courte importante, pas importante,
circuit, demi-circuit : : :
Les dierentes conditions existants aux zones communes a plusieurs arêtes : libre, xee sur
un côte, xee sur deux côtes, completement xee.
Ls contraintes de charge qui s'exercent sur chaque arête : pas de charge, chargee sur un
côte, chargee sur les deux côtes, chargee de maniere continue.
La representation geometrique de l'objet. Les auteurs s'attachent a la notion d'arêtes
voisines, d'arêtes opposees et d'arêtes identiques. On specie que les arêtes sont opposees si
elles jouent un rôle symetrique dans la piece. Certaines arêtes sont non seulement opposees,
mais elles ont de plus la même forme et la même longueur. On precise alors qu'elles sont
identiques.
Pour chaque arête ai d'une structure s, on dispose d'un fait
mesh(ai ; n)
qui signie que cette arête est decoupee en n elements nis.
Le predicat a apprendre est donc mesh(Arete; N ), ou Arete est une arête et N est le nombre
de segments qui constitueront cette arête. Avec des descriptions de trois objets, GOLEM induit
cinquante-six regles dierentes. Ces regles ne sont pas toutes pertinentes, mais GOLEM induit
des regles de la forme :
mesh(A, 1) :-
not_important(A),
not_loaded(A).
qui signie qu'une arête A est decoupee en un element si elle n'est pas importante et n'a pas de
contrainte.
Une autre regle induite est :
mesh(A, B) :-
cont_loaded(A),
same(A,C),
cont_loaded(C),
mesh(C, B).
qui met en evidence que si deux arêtes sont identiques et qu'elles sont contraintes de maniere
continue, leur decoupage se fait egalement en un nombre identique d'elements.
Il est interessant de noter que selon les experts du domaine, les regles fournies par le systeme
mettent en evidence des dependances qui leur etaient jusqu'alors inconnues [BM95b].
Une liste d'applications
Le reseau d'excellence europeen en PLI (ILPNet) a rassemble sur son site
http://www-ai.ijs.si/ ilpnet2/apps/index.html une liste de liens vers des descriptions
d'applications ou l'ILP est utilisee pour l'apprentissage de concepts relationnels. En voici une
liste partielle :
Sciences de la vie : structure 3-D des proteines, decouverte de neuropeptides, analyse de tests
de laboratoire, diagnostic precoce de rhumatisme, mutagenese.
Environnement : developpement des algues, donnees de qualite de l'eau.

Langage naturel : regles d'accord des verbes au passe en anglais, apprentissage d'analyseurs
syntaxiques, denition des groupes nominaux, categorisation de texte, analyse de groupes
syntaxiques, prediction des cesures, etc.
Autres domaines : bases de donnees geographiques, metallurgie, analyse des accidents de la
circulation, marketing et commerce.
Pour ne prendre que l'exemple du langage naturel, les techniques d'apprentissage semblent
donc être tout a fait adaptees pour inferer un analyseur morphologique, syntaxique ou semantique
d'un langage. De plus, Prolog est un langage considere comme bien adapte au traitement du
langage naturel, ce qui fait egalement de la programmation logique inductive une methode ap-
propriee pour cette tâche.
Les premiers travaux dans le domaine ont ete realises par J. Zelle et R. Mooney [ZM93]
[Zel95] [Moo96]. Ils se poursuivent en particulier dans les domaines cites ci-dessus.
5.7 Les chantiers de la PLI

5.7.1 Les problemes a resoudre
5.7.1.1 Une transition de phase redhibitoire?
L'attrait majeur de la PLI est le recours a un langage des hypotheses expressif (plus que la
plupart des autres langages de generalisation) et commode, puisqu'il permet la representation
aussi bien des exemples que des hypotheses ou que la theorie du domaine. La logique des predicats
est de plus un domaine bien connu grâce aux travaux des logiciens. Comme nous l'avons vu,
utiliser la PLI necessite cependant de choisir avec soin les relations d'ordre et les operateurs
d'exploration. Imposer des limites pour obtenir des ordres bien fondes et des systemes d'induction
contrôles introduit des dicultes, certes a prendre au serieux, mais semble-t-il non redhibitoires...
Mais des travaux recents mettent en cause la possiblite même de l'induction supervisee lorsque
le langage d'hypotheses est trop expressif. Nous allons examiner ce nouveau probleme.
Ces travaux sont fondes sur des considerations completement independantes de celles que
nous avons developpees dans le chapitre 2 qui derivent de l'analyse statistique de l'apprentissage.
Ils portent une objection serieuse a l'encontre de la possibilite de la PLI, et plus generalement
de l'induction supervisee avec des langages expressifs.
Lorsqu'on fait de l'apprentissage supervise, on se guide dans l'espace des hypotheses en
mesurant l'adequation des hypotheses testees par rapport aux exemples d'apprentissage, selon
le principe ERM . On cherche donc les hypotheses dont le risque empirique est le plus faible.
Souvent, on utilise la fonction de perte f0; 1g) qui compte le nombre d'exemples positifs non
couverts et le nombre d'exemples negatifs couverts indûment. La recherche dans H s'eectue par
une sorte de gradient, en cherchant quelles modications des hypotheses courantes pourraient
conduire a des hypotheses de meilleur risque empirique (voir le chapitre 3).
Il est interessant de conna^tre le paysage du risque empirique en fonction des hypotheses h 2
H. Celui-ci depend de l'echantillon d'apprentissage et en particulier de l'etiquetage des exemples.
Si on veut tirer des conclusions generales, il faut cependant faire des experiences ne prenant
pas en compte cet etiquetage. Il est clair que le risque depend directement de la couverture
des exemples par les hypotheses, et donc qu'une hypothese tellement generale qu'elle couvre
pratiquement tous les exemples ne pourra être bonne que si le concept cible est tres general, et
inversement pour des hypotheses tellement speciques qu'elles en couvrent pratiquement aucun
n = 10
N = 100
Fig. 5.9 { Une courbe tridimensionnelle de la probabilite de couverture d'un exemple tire
aleatoirement par une hypothese h en fonction de m, le nombre de litteraux dans
h et de L, le nombre d'atomes clos (ou constantes). m et N correspondent respective-
ment au nombre de variables (10 dans cette experience) et au nombre de tuples dans
les relations (100 ici). Les hypotheses les plus generales se situent a gauche sur cette
gure, correspondant a des hypotheses peu contraintes (m et L petits).
exemple. Il est donc interessant d'examiner le taux de couverture 13 des hypotheses de H. Cela
permettra en particulier d'analyser la relation entre la variation syntaxique des hypotheses dans
leur langage LH et leur taux de couverture : deux hypotheses proches dans LH ont-elles des taux
de couverture proches, et donc un risque empirique proche?
C'est ce qu'ont etudie Giordana et Saitta ([GS00]) dans le cas d'espaces d'hypotheses com-
poses de clauses de Horn. Par exemple, en faisant varier le nombre de variables, le nombre de
litteraux et le nombre d'atomes clos (et en repetant ces experiences un grand nombre de fois),
ils ont obtenus des courbes telles que celle de la gure 5.9 qui rappellent des phenomenes de
transition de phase en physique. De maniere surprenante, le taux de couverture mesure sur les
hypotheses y passe brutalement de 0 a 1 sans presque de transition lorsque l'on va progressive-
ment vers des hypotheses plus generales. Ces courbes sont etonnantes. Pourquoi?
Concretement, imaginons un algorithme d'apprentissage ascendant, operant par generalisa-
tion progressive et prudente. Lorsqu'une hypothese courante ne couvre pas tous les exemples
positifs connus, le systeme tente de la generaliser un peu an d'en couvrir davantage, tout en
essayant de ne pas couvrir les exemples negatifs. Le nombre de generalisations possibles est en
general tres grand et le systeme se guide en choisissant celles qui conduisent a des hypotheses de
meilleur risque empirique. Or que se passe-t-il selon les courbes de taux de couverture observees?
Lorsque l'on prend une hypothese trop specique, elle ne couvre pratiquement aucun exemple,
positif ou negatif, son taux de couverture est nul. Le probleme, c'est que quand on la generalise,
son taux de couverture reste nul. Le risque empirique reste donc constant et il est impossible
de se guider dans l'espace de recherche. Ce n'est que lorsque les hypotheses considerees ont
ete susamment generalisees qu'elles se trouvent dans la region de la transition de phase (la
13. C'est-a-dire le pourcentage d'exemples couverts par une hypothese. Si le taux est de 100 %, c'est que l'hypothese
couvre tous les exemples. Elle ne peut donc pas distinguer des exemples negatifs.
((falaise ))) que leur taux de couverture varie et que l'on peut enn comparer les hypotheses
entre elles. Avant, il est impossible au systeme de se guider. La recherche devient donc aleatoire.
Le même phenomene se produit pour un systeme descendant qui specialise progressivement des
hypotheses intialement trop generales.
L'induction supervisee par generalisation ou specialisation progressive semble donc selon
cette analyse tres dicile, sauf pour des problemes (( jouet )). C'est d'ailleurs ce que semblent
conrmer empiriquement des experiences complementaires de Giordana et Saitta. Il y a la un
probleme fondamental qui releve encore de la recherche theorique et experimentale. Il touche
en tout cas les systemes utilisant la logique des predicats comme langage de description des
hypotheses. On ne sait pas encore dans quelle mesure il se produit sur d'autres representations
des connaissances, par exemple en inference grammaticale (voir le chapitre suivant).
5.7.1.2 Quelques problemes ouverts en PLI

L'extension de la PLI repose en particulier sur la resolution des problemes suivants :
la prise en compte de donnees numeriques ;
l'utilisation d'autres logiques (conrmatoires, modales ...) ;
l'apprentissage eectif de regles recursives ;
la prise en compte de l'incertain.

Quoique les fondations de la logique remontent (facilement) a Aristoste, c'est seulement
durant le XIX et le XX siecles que des theoriciens tels que Boole et Frege l'ont forma-
lisee rigoureusement dans un cadre mathematique. Au XX siecle, une ecole de philosophes
connus sous le nom de positivistes logiques a promu l'idee que la logique etait le socle ultime
non seulement des mathematiques, mais de toute la science. Selon ce point de vue, toute af-
rmation mathematique peut être exprimee dans le cadre de la logique des predicats, et tous
les raisonnements scientiques valides sont bases sur des derivations logiques a partir d'un en-
semble d'axiomes. Le positivisme logique trouva un support puissant dans les travaux de Godel
dans les annees 1930 qui ont montre qu'un ensemble reduit de regles de derivation etait su-
sant (complet) pour deriver toutes les consequences de formules en logique des predicats. Plus
tard, Robinson, en 1965, demontra que l'inference deductive en logique des predicats pouvait
être realisee a l'aide d'une unique regle d'inference, la resolution. Pour appliquer le principe de
resolution, il faut mettre les formules logiques sous la forme de clauses logiques. La decouverte
de Robinson a ete d'une importance fondamentale pour l'automatisation de de la deduction.
Colmerauer et Kowalski furent les pionners au debut des annees 1970 du developpement de Pro-
log, un langage de programmation logique. Dans ce langage, toutes les formules logiques sont
decrites sous la forme de clauses de Horn.
C'est Plotkin qui dans sa these en 1971 [Plo71a] a pose les fondations de ce qui allait devenir
le champ de la programmation logique inductive. Plotkin ne se limitait pas a la logique des
clauses de Horn, ce qui n'est pas surprenant puisque la programmation logique et le langage
Prolog n'existaient pas encore. Ses principales contributions concernent l'introduction de la
subsomption relative comme relation de generalite entre clauses, et un algorithme de calcul
du moindre generalise d'un ensemble de clauses sans theorie du domaine, ce generalise etant
la borne inferieure (unique en l'absence de theorie du domaine) de l'espace des generalisations
d'un ensemble de clauses. Plotkin a demontre que malheureusement, il n'existe pas en general de
moindre generalise ni de deux clauses en presence d'une theorie du domaine. Cela restreignait
evidemment la portee de son algorithme et c'est pourquoi Shapiro [Sha83] etudia une autre
approche, portant sur l'induction descendante de clauses de Horn, du general au specique,
au lieu d'ascendante comme pour Plotkin. De plus, Shapiro etudia le debogage algorithmique
de programmes Prolog par identication automatique de la clause defectueuse. Ces systemes
d'induction etaient cependant tres inecaces et limites a de tout petits problemes.
Sammut et Banerji, (voir [Sam93]) ont decrit un systeme appele Marvin qui generalise un seul
exemple a la fois par rapport a un ensemble de clauses inscrites dans la connaissance prealable
ou theorie du domaine (background knowledge). A chaque etape, un ensemble d'atomes clos F
representant l'exemple sont apparies avec le corps d'une clause de la theorie du domaine H B .
Les faits unies B sont remplaces par H, ou est la substitution xxxground. Il s'agit du seul
operateur de generalisation utilise. Le systeme a ete teste sur un ensemble de problemes varies.
Plus tard, Muggleton et Buntine demontrerent que l'operateur de generalisation de Banerji

etait un cas particulier de l'inversion d'un pas dans la preuve par resolution. Un ensemble de
contraintes plus generales a ete fourni et les deux operateurs en `V' ont ete proposes. L'autre
paire d'operateurs en `W', egalement bases sur l'inversion de la resolution, est egalement issue
de leurs travaux. D'autres travaux ont aussi porte sur l'invention de predicats, mais pour le
moment ils sont restes connes a la logique des propositions et non a la logique des predicats.
Plus recemment Quinlan, [Qui90], a propose le systeme Foil qui induit des clauses de
Horn de maniere tres ecace. La methode utilise une heuristique de recherche descendante,
par specialisation progressive, guidee par un critere de gain d'information (voir le chapitre 11).
L'un des inconvenients de la methode est qu'elle est gloutonne et donc susceptible de tomber
dans des optima locaux mauvais, voire d'errer sans direction comme le montre le phenomene de
transition de phase (evoque dans la section 5.6).
Ce chapitre est en partie extrait des notes de cours de Marc Bernard, de l'universite de
Saint-Etienne [Ber00], qui nous a aimablement autorise a les utiliser. Celine Rouveirol, du LRI
(universite d'Orsay), a largement contribue a sa redaction.
Resume
La programmation logique inductive (PLI) est essentiellement tournee vers
l'apprentissage supervise de concepts ou de theories (exprimes sous forme
de programmes logiques). L'apprentissage y est guide par une relation de
generalite dans l'espace des hypotheses en cherchant des hypotheses coherentes
avec les exemples d'apprentissage.
Contrairement a la plupart des techniques d'apprentissage qui sont concernees
par des connaissances en logique attribut-valeur, la PLI s'occupe de l'appren-
tissage de regles exprimees en logique des predicats. Cela implique des choix et
des precautions pour la denition d'une relation de generalite entre hypotheses.
Les relations principalement etudiees sont la -subsomption dont la traduc-
tion operationnelle est la SLD-subsomption qui debouche sur des operateurs

de generalisation par inversion de la resolution.
Face a la complexite des espaces d'exemples et d'hypotheses en logique des
predicats, il est necessaire d'utiliser des biais pour contrôler la recherche dans
l'espace d'hypotheses.
Les systemes d'apprentissage de concepts en PLI se divisent en systemes des-
cendants, operant par specialisations successives an de ne pas couvrir les
exemples negatifs, et les systemes ascendants operant par generalisations suc-
cessives a partir des exemples positifs.
Il reste beaucoup a faire pour etendre le champ d'application de ces systemes,
en particulier lorsque les donnees sont numeriques et bruitees. Par ailleurs,
il faudra aussi resoudre le probleme pose par le phenomene de transition de
phase en logique des predicats.
Chapitre 6
Reformulation et transfert de
connaissances
Le l directeur de cet ouvrage est que l'apprentissage implique une exploration de

l'espace des hypotheses pour rendre compte des donnees d'apprentissage. En dehors
même des problemes souleves dans les chapitres theoriques sur la legitimite de tout
critere inductif, cette exploration est generalement intrinsequement tres coûteuse et
doit donc être guidee. Lorsqu'une relation de generalite peut être denie sur l'es-
pace des hypotheses, la recherche d'une ou plusieurs hypothese(s) correcte(s) est
considerablement aidee. Cependant, même l'utilisation d'une relation de generalite
dans H peut être insusante pour pouvoir resoudre eectivement un probleme d'ap-
prentissage. L'espace des hypotheses est en eet generalement extrêmement complexe
et riche, et même une recherche informee peut se reveler inecace. On aimerait alors
pouvoir debarrasser le langage de description des hypotheses de tous les descripteurs
et relations non pertinents pour la tâche d'apprentissage. On aimerait egalement pou-
voir hierarchiser la recherche et ne prendre en compte que graduellement les details de
l'univers etudie. De même, il serait pratique de pouvoir benecier des explorations
passees dans H a propos de problemes analogues, voire de pouvoir transcrire des
explorations faites dans d'autres espaces d'hypotheses relatifs a d'autres environne-
ments ou univers de connaissances. Finalement, une question essentielle est celle de
la construction d'un nouveau domaine de connaissances. Est-il possible d'envisager
de le realiser en s'aidant d'autres domaines? Est-il envisageable de faire autrement?
Quels mecanismes pourraient être mis en jeu?
Ce chapitre etudie donc la modication et la construction des espaces d'hypotheses.
Les approches pour resoudre ces problemes sont encore a un stade exploratoire. Elles
sont tres inspirees de l'etude de la cognition humaine. Il est hors de doute que l'im-
portance du sujet et l'etat encore preliminaire de nos connaissances justieront de
nombreuses recherches a l'avenir. C'est cette conviction qui nous a fait ecrire ce bref
chapitre sur ces questions, même si les travaux actuels sont rares, et les applications
encore davantage.
6.1 L'apprentissage en presence de theorie

Jusqu'a present, nous avons decrit l'apprentissage comme la recherche d'une hypothese dans
H en bonne adequation, selon une mesure de risque, avec les donnees experimentales decrites
dans X . L'apprentissage peut cependant prendre d'autres visages. Par exemple, un apprenti
joueur d'echec humain sera susceptible d'apprendre le concept de (( fourchette )) (une menace
portant simultanement sur plusieurs pieces) a partir de tres peu d'exemples, parfois même a
partir d'un seul. Comment est-il alors possible de generaliser cette experience tres limitee a toutes
les situations de fourchettes, ou au moins a une grande partie d'entre elles? L'apprentissage
peut aussi porter non pas sur la determination d'une bonne hypothese mais sur l'ecacite de
la recherche de bonnes hypotheses. Il se peut aussi que l'apprenant possede des descriptions de
concepts qui soient correctes, mais qui ne soient pas vraiment operationnelles dans le monde 1 .
Le point commun a ces types d'apprentissages est l'intervention d'une connaissance impor-
tante sur le domaine d'application, connaissance que l'on appelle (( theorie du domaine )) 2 . C'est
cette connaissance qui permet de pouvoir tirer parti de tres peu d'exemples, grâce a des raison-
nements enrichissant l'experience. C'est aussi cette connaissance qui peut eventuellement être
modiee dans l'apprentissage.
6.2 L'apprentissage par examen de preuve (EBL)

En schematisant, le probleme etudie dans l'apprentissage par examen de preuve (Explan-
ation-Based Learning : EBL) est de trouver la reponse associee a une situation ou a une forme
x 2 X . Il se peut que la recherche de cette reponse soit impossible pour le systeme, ou du
moins qu'elle soit tres coûteuse. L'apprentissage consiste alors a rendre la recherche plus facile
la prochaine fois, et ceci non seulement pour la situation x, mais aussi pour des situations
semblables. Il faut bien sûr denir la notion de similarite. Dans le cas de l'EBL, elle est obtenue
a partir de l'utilisation de la theorie du domaine.
6.2.1 Le principe de l'EBL
On suppose que le systeme est soumis au probleme x 2 X , qui peut aussi bien être de trouver
une etiquette dans une tâche de classication, comme de trouver un plan d'action. Le systeme
cherche alors une solution h(x) a ce probleme. Si la recherche de cette solution est dicile,
voire irrealisable, il peut être interessant pour le systeme d'examiner la solution nalement ob-
tenue, par le systeme ou grâce a un professeur, pour voir dans quelles conditions cette solution
(eventuellement generalisee) pourrait être reutilisee dans une situation x0 semblable. Conceptuel-
lement, il s'agit d'identier une region de l'espace des problemes X pour laquelle la solution h,
ou une solution voisine, est adequate. La gure 6.1 illustre ce principe. D'une certaine maniere,
l'apprentissage EBL peut être considere comme une technique d'extrapolation dans l'espace X
guidee par une theorie du domaine. La partie Apprentissage par approximation et interpolation
(en particulier le chapitre 14) de cet ouvrage explore d'autres techniques d'extrapolation fondees
1. Un exemple, sans doute extrême, est celui d'un systeme de diagnostic de panne d'ordinateur capable de ca-
racteriser les pannes a partir des equations de Shrodinger associees aux atomes de l'appareil. Cette connaissance
même correcte, ne serait cependant sans doute pas d'une grande utilite pratique et la recherche d'une description
plus operationnelle pourrait legitimement être consideree comme un apprentissage a part entiere.
2. Cette (( theorie )) peut prendre la forme tres formelle de programmes en logique du premier ordre, voir le
chapitre 5, comme la forme de reseaux semantiques souvent lies a des types d'inference non deductifs : propagation
de marqueurs par exemple.
Chapitre 6 Reformulation et transfert de connaissances 195
h h(x)
h h(x) h'
x x
x x x x
(a) (b) (c)
Fig. 6.1 { (a) A partir d'une solution h, trouvee ou fournie, pour le probleme x, l'apprentissage
EBL cherche sous quelles conditions la solution h est applicable. (b) Ces conditions
susantes sont obtenues par un mecanisme de regression a travers la theorie T du
domaine. (c) Cela permet de trouver a la fois une generalisation de la solution initiale
h et une region de l'espace des problemes X pour laquelle cette solution generalisee
est applicable.
sur des mesures numeriques et des proprietes de lissage. Peu d'auteurs ont examine le lien entre
les deux approches (une exception est [DF97a])
La solution generalisee peut prendre trois formes :
1. Celle d'une solution toute faite, appropriee pour une classe de problemes dans X , ou bien,
comme c'est souvent le cas, pour la reconnaissance de concept. Il s'agit alors d'apprendre
une denition operationnelle de concepts.
2. Celle de macro-operateurs, c'est-a-dire d'etapes de solution. Cela peut permettre d'accelerer
la recherche d'une solution en diminuant la profondeur de recherche necessaire.
3. Celle de regles de contrôle ou heuristiques, permettant de guider la recherche d'une solution
dans l'arbre des possibilites.
Evidemment, ces trois types de connaissances apprises ne sont pas exclusifs l'un de l'autre, mais
dans la pratique, les concepteurs de systemes d'apprentissage par EBL ont privilegie l'une ou
l'autre de ces possibilites. Pour des ns d'illustration dans la suite de cette section, nous avons
choisi de montrer seulement comment l'apprentissage peut deboucher sur la premiere voie.
6.2.2 Une illustration de l'apprentissage EBL
Nous montrons dans cette section comment l'apprentissage EBL permet d'apprendre une
denition operationnelle et generale d'un concept a partir d'un exemple positif unique. Pour
cela nous reprenons l'exemple devenu celebre de l'apprentissage du concept d'objets empilables,
initialement expose dans [MKKC86] qui est aussi l'article fondateur de l'EBL.
Soit un monde d'objets caracterises par les attributs : couleur, volume, proprietaire, materiau,
type et densite. Il existe de plus une relation possible entre les objets : la relation sur traduisant
qu'un objet est sur un autre. La tâche consiste a apprendre le concept d'empilement d'un objet
sur un autre. Plus precisement, il s'agit d'apprendre une denition du predicat :
empilable(Objet1,Objet2)
vrai lorsque l'on peut empiler l'Objet1 sur l'Objet2. Nous supposons que l'apprenant dispose
prealablement d'une theorie du domaine T decrite sous la forme de regles logiques que nous
decrirons ici en utilisant, comme dans le chapitre 5, la syntaxe Prolog :
(T1) : poids(X,W) :- volume(X,V), densite(X,D), W is V*D.
(T2) : poids(X,50) :- est un(X,table).
empilable(obj1, obj2)
C1
plus_léger(obj1, obj2)
T3
poids(obj1,y1) poids(obj2,y2) inf(y1,y2)
T1 T2
volume(obj1,v1) densité(obj1,d1)
est_un(obj2,table) inf(1,50)
volume(obj1,1) densité(obj1,1)
Fig. 6.2 { Un arbre de preuve obtenu dans la theorie du domaine T montrant que l'exemple
satisfait bien le concept cible.
(T3) : plus leger(X,Y) :- poids(X,W1), poids(Y,W2), W1 < W2.

On suppose de plus que l'apprenant cherche une denition operationnelle (c'est-a-dire faci-
lement evaluable) du concept but :
(C1) : empilable(X,Y) :- plus leger(X,Y).
(C2) : empilable(X,Y) :- not(fragile(Y)).
Plus formellement, le critere d'operationnalite impose que le concept soit exprime a l'aide de
predicats utilises pour decrire l'exemple (volume, densite, couleur,...) et de predicats facilement
evaluables (comme le predicats <).
Finalement, l'apprenant est pourvu de l'exemple positif decrit par les faits suivants :
sur(obj1,obj2).
est un(obj1,boite).
est un(obj2,table).
couleur(obj1,rouge).
couleur(obj2,bleu).
volume(obj1,1).
volume(obj2,0.1).
propri
etaire(obj1,frederic).
propri
etaire(obj2,marc).
densit
e(obj1,0.3).
mat
eriau(obj1,carton).
mat
eriau(obj2,bois).
L'apprentissage EBL consiste d'abord a examiner une preuve, exprimee a l'aide de la theorie
du domaine, que l'exemple fourni est bien un exemple positif du concept cible, puis a generaliser
cette preuve pour en extraire un ensemble de contraintes susant a garantir la validite de la
preuve generale.
Le premier pas necessite que la theorie du domaine soit susante pour qu'il soit possible de
trouver une preuve, aussi appelee explication (d'ou l'appellation EBL), montrant que l'exemple
satisfait au concept cible. Chaque branche de la preuve peut eventuellement être reduite pour se
terminer sur une expression veriant le critere d'operationnalite. Dans le cas present, l'explication
de l'exemple est donnee sous forme graphique dans la gure 6.2.
empilable(x, y)
concept but : {x/p1, y/p2}
C1 empilable(p1, p2)
plus_léger(p1, p2)
plus_léger(x, y)
T3 plus_léger(p1, p2) {x/p1, y/p2}

poids(p1,y1) inf(y1,y2) poids(p2,y2)

poids(x,y1) inf(y1,y2) poids(y,y2)
poids(p1,v1*d1) poids(p2,5)
T1 T2
{x/p1, v1*d1/y1} {y/p2, 5/y2}
volume(p1,v1) densité(p1,d1) est_un(p2,coin_table)

volume(x,v1) densité(x, d1) inf(v1*d1,5) est-un(y, coin-table)
Fig. 6.3 { L'arbre de preuve generalise est obtenu par regression du concept cible dans l'arbre de
preuve en calculant a chaque etape (denotee par les lignes en pointilles) les litteraux
les plus generaux permettant cette etape (indiques en gras). A la n de ce processus, la
conjonction des litteraux obtenus aux feuilles de l'arbre generalise fournit la denition
operationnelle et generalisee du concept cible.
Le second pas consiste a analyser l'arbre de preuve trouve pour identier les conditions de son
applicabilite an de decouvrir l'ensemble des situations dans lesquelles il pourrait s'appliquer.
Pour le cas decrit ici, la gure 6.2 decrit la generalisation de la preuve donnee dans la gure 6.3.
L'exemple positif initial, le seul connu pour le concept cible, a ete generalise de plusieurs
points de vue. D'abord, il etait decrit par une collection d'attributs dont beaucoup, n'interve-
nant pas dans la preuve, se revelent non pertinents et peuvent donc être elimines. Ensuite, de
nombreuses constantes ont ete remplacees par des variables. Notons cependant que ce n'est pas
systematique. La constante numerique 50, par exemple, demeure dans la preuve generalisee car
elle n'a pas ete introduite par une instanciation aux feuilles de l'arbre de preuve mais par une
regle de la theorie. Finalement, la generalisation va plus loin que cette simple variabilisation
grâce a la procedure de regression d'une formule a travers une regle proposee par Waldinger
[Wal77]. Cette procedure calcule les conditions susantes d'une conclusion C en fonction d'une
preuve P , c'est-a-dire un ensemble d'assertions A tel que A entra^ne C grâce a P . Dans le cas de
la regression d'une conclusion a travers un arbre de preuve, la procedure fonctionne iterativement
a travers les etapes de la preuve, calculant a chaque fois les conditions susantes de la conclu-
sion de l'etape, en fonction de la regle de derivation employee pour cette etape. La procedure se
termine lorsqu'elle a parcouru toutes les etapes de la preuve initiale pour atteindre les feuilles
de l'arbre de preuve.
Un exemple de l'application de cette procedure est donne par la gure 6.3. En fonte nor-
male se retrouvent les elements de la preuve initiale trouvee pour l'exemple positif du concept
empilable(Obj1,Obj2). La fronti ere de chaque etape de regression est indiquee par les lignes en
pointilles, avec a chaque fois en gras les conditions susantes calculees. Par exemple, le concept
cible general est empilable(X,Y). On calcule sa regression a travers la regle empilable(X,Y)
:- plus l eger(X,Y), ce qui produit la pr econdition plus leger(X,Y). On continue alors en
calculant la regression de cette expression a travers (T3) le pas suivant de la preuve, ce qui
produit a l'ensemble de preconditions fpoids(X,Y1), inf(Y1,Y2), poids(Y,Y2)g. E tape par
etape, on atteint ainsi les feuilles de l'arbre de preuve, produisant la denition generale suivante :
empilable(X,Y) :- volume(X,VX), densit
e(X,DX),
est un(Y,table), inf(VX,DX,50).
Cette procedure a ete implantee en particulier dans l'algorithme Prolog-EBG [KCC87]. Lors-
qu'une theorie correcte et complete lui est fournie, elle produit une hypothese (ensemble de regles
Prolog) elle-même correcte et couvrant les exemples positifs connus des concepts a apprendre.
Ces regles sont des conditions susantes decrivant les concepts cible en fonction de la theorie
du domaine.
6.2.3 Discussion sur l'apprentissage de concept a partir d'explications

Plusieurs problemes meritent d'être soulignes.
Il est important de remarquer que l'algorithme rapidement decrit ci-dessus fournit seule-
ment une denition susante (et non necessaire) du concept cible. Ceci est dû au fait que la
preuve est guidee par les exemples fournis qui n'epuisent pas forcement toutes les possibi-
lites de preuve du concept. Par exemple, dans l'apprentissage du concept empilable(X,Y),
la theorie propose deux denitions, l'une se rapportant au fait que X est plus leger que
Y, l'autre au fait que Y n'est pas fragile. L'exemple positif fourni ne se rapporte qu' a la
premiere denition, et les conditions trouvees par regression a travers la preuve relative
a cet exemple ne concernent donc que la premiere denition possible du concept. C'est
bien pourquoi on parle d'apprentissage a partir d'explications. Si l'on apprend bien une
generalisation de l'exemple positif, il s'agit cependant d'une specialisation de la denition
initiale du concept cible.
Des commentateurs de l'apprentissage EBL ont fait remarquer que d'un certain côte
l'exemple positif fourni est redondant et inutile. On pourrait tres bien apprendre une
denition complete du concept cible par regresssion selon tous les arbres de preuve possibles
en arrêtant les preuves lorsque le critere d'operationnalite est satisfait comme cela se fait
en programmation logique par evaluation partielle [HB88]. L'interêt des exemples n'est
cependant pas negligeable. Ils permettent en eet d'orienter la recherche de preuve dans
un espace de possibilites generalement immense. De plus, si ces exemples sont bien choisis,
ils sont representatifs de l'environnement et guident donc l'apprentissage vers les seules
regions de X pertinentes. Ainsi, tant l'apprentissage qu'ensuite la reconnaissance d'un
concept sont acceleres par elimination des cas de preuves inutiles (c'est d'ailleurs l'une des
raisons pour laquelle les Anglo-saxons parlent de speed-up learning).
L'exemple d'apprentissage ci-dessus se traitait a l'aide d'une theorie du domaine a la fois
correcte, complete (toute formule vraie dans l'interpretation intentionnelle de la theorie
doit être deductible de la theorie), et adequate, c'est-a-dire decrite dans des termes pouvant
conduire a une reformulation utile des concepts. Il est evident que la qualite des descriptions
apprises par EBL depend grandement des proprietes de la theorie du domaine. C'est la
l'une des plus importantes limitations pour la mise en pratique de la methode car il est
rare que l'on dispose d'une theorie parfaite avant apprentissage. On peut caracteriser les
problemes en trois classes :
1. Le cas d'une theorie incomplete. Cela peut peut avoir pour consequence l'impossi-
bilite de trouver une preuve pour un exemple positif, ou l'obtention d'une preuve
incomplete, voire de multiples preuves mutuellement incoherentes.
2. Le cas d'une theorie incorrecte. Dans ce cas, il peut y voir decouverte de preuve incor-
porant des contradictions avec le monde reel, c'est-a-dire apprentissage de mauvais
concepts.
3. Finalement, il y a le cas de theorie impossible a traiter, interdisant de trouver des
preuves de l'exemple fourni.
Ces trois classes de problemes ont fait l'objet de travaux, surtout la premiere. C'est ainsi
qu'on a cherche a etendre la notion de preuve a des preuves (( plausibles )) exprimees dans
des extensions de la logique (incertaines ou oues). On a egalement cherche a compenser
l'insusance de la theorie du domaine par l'utilisation simultanee de plusieurs exemples.
S'il est interessant de savoir utiliser des exemples positifs d'un concept a l'aide d'une
theorie du domaine, il peut être tout aussi tentant d'utiliser des exemples negatifs. Par
exemple, on pourrait vouloir apprendre a partir d'un echec a mater le roi adverse dans une
situation pourtant apparemment favorable. Deux approches sont envisageables dans ce cas.
La premiere consiste a traiter l'exemple negatif comme un exemple positif, le generaliser
et utiliser la negation du concept appris pour caracteriser les situations necessaires au
succes. La seconde part de l'echec d'une preuve d'un exemple negatif pour analyser com-
ment il faudrait la modier pour parvenir a un succes et ainsi caracteriser ce qui separe
les situations positives des situations negatives. L'apprentissage a partir d'echecs (learning
by failure) a ete particulierement etudie dans le contexte de l'apprentissage de connais-
sances de contrôle puisqu'il y est crucial de savoir quand il faut eviter d'avoir recours a un
operateur.
6.2.4 L'apprentissage de connaissances de contrôle a partir d'explications
L'apprentissage de concept a partir d'explications requiert donc une theorie du domaine
aussi correcte et complete que possible. Un domaine dans lequel il est naturel de supposer
une telle theorie est celui de la resolution de problemes. Dans ce contexte en eet, l'enjeu de
l'apprentissage est souvent de rendre ecace un resolveur de probleme capable en principe de
resoudre n'importe quel probleme, mais souvent inutilisable en pratique a cause de la complexite
de la recherche d'une solution. L'apprentissage peut alors prendre trois formes :
1. L'apprentissage des conditions dans lesquelles il est interessant d'envisager l'utilisation
d'un operateur.
2. L'apprentissage de macro-operateurs qui sont souvent utiles dans un environnement donne
et qu'il est donc interessant de conna^tre.
3. L'apprentissage d'heuristiques de contrôle permettant de trier par ordre d'interêt decroissant
les operateurs envisageables dans un etat donne.
Pour apprendre a partir d'explications les conditions d'application d'un operateur, il sut
de le considerer comme un concept dont on cherche a caracteriser le domaine d'application. Pour
obtenir des exemples positifs d'application d'operateurs, on examine les sequences d'operateurs
correspondant a des solutions de problemes. Cela fournit pour chaque operateur utilise un ou
des etat(s) dans le(s)quel(s) il a ete employe, et donc un ou plusieurs exemple(s) positif(s) de
son application. Un exemple de cette approche gure dans le chapitre 4 avec le systeme Lex de
Mitchell. On y voyait a l'uvre un apprentissage par elimination des candidats dans l'espace
des versions, une variante appelee Lex2 a ete developpee, qui utilise un apprentissage a partir
d'explications.
La deuxieme approche consiste a chercher a ameliorer l'ecacite d'un systeme de resolution
de probleme ou de planication en denissant des macro-operateurs correspondant a des sous-
sequences generalisees de solutions. Il faut d'une part selectionner les sequences utiles : si elles
sont trop speciques, elles serviront rarement et ralentiront inutilement le processus de choix a
chaque nud de la recherche. Inversement, si elles correspondent a des sous-sequences courtes,
donc generalement d'un domaine d'application plus vaste, elles seront moins utiles car ne cor-
respondant pas a des (( grands pas )) dans la solution. Nous reviendrons sur ce probleme. D'autre
part, il faut apprendre leur domaine d'application, ce qui se fait souvent par regression comme
dans l'apprentissage de concept.
La troisieme approche est d'apprendre des heuristiques de contrôle guidant le systeme lors-
qu'il cherche une solution a un probleme. Un systeme operant de cette maniere tout en apprenant
aussi des macro-operateurs est le systeme Soar [LRN86]. Il utilise pour ce faire un mecanisme ap-
pele chunking qui produit des (( chunks )) (litteralement (( gros morceaux ))) ou macro-operateurs.
Soar est un systeme general de resolution de probleme operant par decomposition de problemes
en sous-problemes. Grâce a la nature recursive de ce procede, des hierarchies de sous-buts sont
produites. A chaque fois qu'une impasse est rencontree dans la resolution d'un probleme, un
sous-but est engendre et le systeme cherche a le resoudre par une methode de recherche faible
telle que generer et tester 3 . La solution trouvee pour sortir de l'impasse est alors vue comme une
explication de la demarche a suivre pour sortir a l'avenir d'impasses similaires. Le mecanisme de
chunking entre en jeu lorsqu'un sous-but a ete resolu. Un resume de la procedure de resolution
du sous-but est enregistre sous forme de regles de production. La partie action de chaque regle
est fondee sur les resultats du sous-but, la partie condition ou antecedent exprime les aspects
pertinents qui determinent le succes de l'emploi de la procedure. Soar a ete teste dans de tres
nombreux problemes et est propose comme modele cognitif de resolution de probleme [New90].
Prodigy [Min88, Min90] est un autre systeme interessant d'apprentissage d'heuristiques de
contrôle. Il s'agit d'un systeme de planication fonctionnant en utilisant une theorie generale sur
la planication, une theorie du domaine et une description des operateurs a la Strips 4 avec des
listes de preconditions, d'ajouts et de retraits exprimees avec des predicats sur le monde. Comme
Soar, Prodigy utilise une resolution de problemes par decomposition en sous-problemes. Apres
avoir produit un plan d'action, le systeme analyse ses bons choix et ses impasses et cherche a
les expliquer en termes de sa theorie du domaine. Il est ainsi capable de produire des regles de
contrôle telles que :
if (and (current-node node)
(candidate-goal node (on X Y))
(candidate-goal node (on Y Z)))
then (prefer goal (on Y Z) to (on X Y))
Ce genre de regle est obtenu apres l'analyse d'un echec lorsque le robot a essaye de placer d'abord
la sous-pile d'objets superieure avant une sous-pile inferieure. Ceci n'est evidemment qu'un petit
exemple des capacites de Prodigy.
3. Methodes consistant a engendrer les dierents possibilites a chaque point de choix puis a choisir en fonction
d'une fonction d'evaluation. La celebre methode de recherche A? en est un exemple.
4. STRIPS (Stanford, 1971)[FN71, FN72] est le grand ancêtre de la plupart des systemes de planication. Il a en
particulier xe la maniere de representer les operateurs.
Comme Soar, Prodigy a ete teste intensivement. Il en est ressorti que l'apprentissage de
macro-operateurs et de regles de choix des operateurs n'etait pas necessairement avantageux.
En eet, chaque nouvelle regle, chaque nouvel operateur ajoute un choix a l'ensemble des choix
possibles a chaque etape de resolution. Le coût ainsi encouru peut depasser l'avantage retire.
C'est ce que Minton, le concepteur principal de Prodigy a appele le probleme de l'utilite. C'est
pourquoi Prodigy incorpore un module de mesure de l'utilisation de chaque regle et operateur,
de l'economie realisee et du coût en terme de temps de selection et d'application. Seuls les regles
et operateurs dont l'utilite mesuree est jugee assez elevee sont conserves. De cette maniere, les
gains empiriquement mesures sur un ensemble de tâches sont de l'ordre de 20 % a 110 % avec
une moyenne autour de 40 %, ce qui sans être negligeable, est toutefois etonnament faible quand
on pense que le fait d'avoir un facteur de branchement (nombre de choix disponibles a chaque
nud) reduit (grâce aux regles de contrôle) devrait permettre un gain exponentiel. Il s'agit la
d'un probleme qui ressort encore de la recherche.

6.2.5 Bilan sur l'apprentissage a partir d'explications
Dans ce survol de l'apprentissage a partir d'explications, nous avons laisse de côte certains
problemes tels celui de l'apprentissage dans le cas de preuves recursives ou dans le cas de preuves
non deductives comme cela se rencontre dans des systemes a base de schemas. Nous renvoyons
le lecteur interesse a l'abondante litterature portant sur l'apprentissage EBL. Il faut surtout
retenir que ces methodes d'apprentissage permettent l'obtention de generalisations justiees, a
partir d'un petit nombre d'exemples, ce qui les distingue radicalement des methodes inductives
classiques. Si, les travaux sur cette approche ont ete peu nombreux depuis plus d'une decennie,
nous pensons cependant, comme Gerald Dejong l'un de leurs promoteurs, qu'il ne peut s'agir
que d'une eclipse passagere. Certes il est dicile de disposer d'une theorie du domaine forte,
mais il existe cependant des domaines ou de telles theories preexistent, comme la planication, le
contrôle ou le diagnostic. Dans ces cas la, et en particulier quand chaque exemple est coûteux a
obtenir, l'apprentissage a partir d'explications peut être tres interessant. Plus generalement, on
ne voit pas comment l'emploi exclusif de techniques sans usage de theorie du domaine pourrait
couvrir l'ensemble des problemes d'apprentissage. Les techniques telles que l'EBL ont donc leurs
beaux jours devant elles.
6.3 Abstraction et reformulation des connaissances

Même lorsqu'une approche (( nonsymbolique )) est revendiquee en intelligence articielle, les
capacites d'inference et de raisonnement d'un agent dependent de la maniere dont est exprimee
sa connaissance et comment elle peut s'interfacer avec la perception de l'environnement. Un
pouvoir expressif trop limite de la representation utilisee peut empêcher certains raisonnements.
C'est une des raisons pour lesquelles il faut des millions d'exemples en apprentisage par ren-
forcement pour apprendre le concept de (( fourchette )) aux echecs, quand quelques exemples
susent avec une representation en logique des predicats et un apprentissage a partir d'expli-
cations. D'un autre côte, trop d'informations disponibles peuvent conduire a des raisonnements
incapables de trouver une solution en un temps raisonnable. Il est donc crucial pour un agent
intelligent de savoir contrôler l'information qu'il prend en compte pour resoudre une tâche. Il
serait extrêmement utile d'avoir des systemes capables d'apprendre ce contrôle. L'etat de l'art en
apprentissage articiel est encore loin de pouvoir repondre a ce probleme, mais il existe depuis
longtemps des travaux de re exion sur les changements de representation et les reformulations
des connaissances en intelligence articielle. Nous en evoquons rapidement quelques aspects ici,
renvoyant en particulier le lecteur interesse a la synthese tres informee de Jean-Daniel Zucker

[Zuc01].
L'idee generale des changements de representation est de trouver une representation permet-
tant une resolution simple de la tâche courante. Depuis les travaux pionniers d'Amarel en 1968
[Ama68], on sait qu'une bonne representation peut rendre triviale la recherche d'une solution.
J.-D. Zucker distingue trois types de changements de representation :
l'abstraction : un changement de representation, dans un même formalisme, qui en cachant
des details et en preservant des proprietes desirables, simplie la resolution du probleme
courant ;
la reformulation : une modication du formalisme de representation tout en conservant les
mêmes informations ;
l'approximation : une simplication des inferences, dans la même representation, an de
simplier la resolution.
L'abstraction est souvent consideree comme un changement de granularite ou de niveau de detail
d'une representation. Cela neglige le fait qu'il n'y a pas, generalement, de hierarchie toute faite
de niveaux de details. Il s'agit de (( construire )) une description de haut niveau pertinente pour
le contexte et la tâche. Pour cela plusieurs voies sont possibles. La plus etudiee en intelligence
articielle consiste a considerer le processus d'abstraction comme celui d'une projection d'une
representation dans une autre modulo une relation d'equivalence, de telle maniere que ne soient
distingues dans la nouvelle representation que les elements qui doivent l'être pour la resolution
du probleme courant. Ainsi se trouvent elimines les (( details )) super us. Une autre approche
est de considerer l'abstraction comme un probleme pour lequel des operateurs de changement
de representation sont disponibles et dont on cherche une solution sous forme de sequence de
tels operateurs. La gure 6.4, tiree de [Zuc01] illustre ce point de vue en schematisant la tâche
du geographe qui doit representer sur une carte les elements d'un paysage photographie par
satellite. La carte nalement produite resulte du choix de nombreux operateurs. On peut alors
envisager d'apprendre automatiquement les conditions d'application de chaque operateur, de
maniere similaire a ce qui a ete discute dans la section 6.2 sur l'EBL.
L'etude de l'abstraction est certainement etroitement liee a celle de l'apprentissage. Il s'agit
la d'un vaste champ de recherche qui reste encore largement a explorer.
Image aérienne BD Géographique Cartes
Réduction et
symbolisation
Stéréo
plotting
Généralisation
cartographique
1/25.000 1/100.000
Quelle transformation appliquer ?
Modification
géométrique ?
Focalisatio
n?
+
Arrêt du
processus ?
Fig. 6.4 { En haut est schematise le travail du cartographe : comment traduire une photo
aerienne en carte? En bas, on voit que pour traduire le trace d'une route par exemple,
il peut faire appel a plusieurs operateurs applicables en sequence. L'une des tâches
d'apprentissage consiste a apprendre quand appliquer chacun de ces operateurs. (Tire
de [Zuc01], p.21).
6.4 Changement de repere et raisonnement par analogie

L'induction suppose connu un echantillon S = f(xi ; f (xi ))gi=1::m a partir duquel on induit
une fonction h aussi proche de f que possible permettant la prediction d'une reponse en tout
point de l'espace X . Le raisonnement par analogie suppose beaucoup moins : de la connaissance
d'un couple (x; f (x)), il cherche a predire la reponse en un point x0 6= x (voir gure 6.5).
E videmment, en l'absence de plus de donnees, cela n'est possible que si l'on conna^t des proprietes
utiles sur l'espace X F .
Dans sa version la plus fruste, le raisonnement par analogie opere comme la methode par plus
proches voisins : lorsqu'il est dicile, voire impossible, de trouver une solution pour le probleme
x 2 X , il peut être interessant d'emprunter la solution connue d'un probleme x0 (( proche )) de
x. Toute la question devient alors de caracteriser la notion de proximite. Lorsque de plus, le
probleme x0 dont on s'inspire n'appartient pas au même domaine de connaissance, on parlera
souvent de similarite. Cette notion est dependante de la tâche : deux situations peuvent être soit
tres similaires, soit tres dierentes en fonction du contexte. Un caillou et mon Psion peuvent tous
x
x’
f ?
ft
y
y’= ?
Fig. 6.5 { Schematiquement, l'analogie consiste a trouver la reponse a une question x0 connais-
sant un couple (x; f (x)). La fonction produisant la reponse peut être dierente en x0
et en x.
les deux servir de presse-papier pour empêcher des feuilles de s'envoler pendant que je telephone
a mon coauteur. Pour cette tâche, ils sont similaires. Je me garderai cependant bien d'utiliser
l'un et l'autre indieremment lorsque je veux prendre des notes dans un seminaire.
Nous verrons au chapitre 15 comment se traduit la notion de proximite dans un espace decrit
par des attributs numeriques. Vapnik [Vap95] parle de transduction lorsque l'on cherche a predire
la valeur en un point x0 d'une fonction inconnue, sans chercher a determiner celle-ci directement
par induction. Il suppose cependant l'existence d'une telle fonction s'appliquant uniformement
dans X . Cette vision ne prend pas en compte la possibilite qu'il ne faut pas chercher une fonction
unique s'appliquant dans tout l'espace des situations, mais qu'il y ait pour chaque situation une
fonction denie localement, et qu'il faut (( deformer )) (minimalement) pour pouvoir l'appliquer
en un autre point 5. Lorsqu'une ou des theorie(s) de domaine permet(tent) de redecrire les
situations, la notion de similarite doit faire intervenir des proprietes des redescriptions possibles
et des theories qu'elles mettent en jeu. On parle alors vraiment d'analogies. Celles-ci presentent
certaines particularites notables.
Si l'analogie entre deux situations fait souvent intervenir la recherche de (( points com-
muns )) entre elles, elle n'est cependant pas equivalente a un processus de generalisation.
On peut plutôt l'envisager comme la recherche du canal de transmission le plus economique
entre une description de situation et une autre. Cette recherche met en avant des primitives
ou des structures de description potentiellement interessantes parmi toutes les primitives
et structures envisageables. En ceci elle aide deja a la solution d'un probleme donne par
la focalisation sur les descriptions pertinentes.
Contrairement a une distance, la notion de proximite mise en jeu dans l'analogie n'est
pas symetrique, et corollairement ce qui est transporte d'une situation a l'autre n'est pas
forcement la même chose dans un sens et dans l'autre.
Les modeles de raisonnement par analogie ont surtout ete etudies dans le cadre de recherches
sur la cognition humaine. D'autres types de raisonnements permettant le transfert de connais-
sances entre domaines ont ete egalement abordes, par exemple le blending [FT98] ou l'eet
tunnel cognitif [CTC00]. Il reste encore beaucoup a faire pour comprendre pleinement ces types
de raisonnements mêlant divers types de representations, de connaissances et de d'inferences.
Nous recommandons a ce sujet la lecture des ouvrages de Hofstadter, dont [Hof95].
5. Les mathematiciens seront tentes d'y reconna^tre la notion de covariance sur des varietes dierentielles.
6.5 Bilan
Cet ouvrage fait une place reduite aux apprentissages mettant en uvre beaucoup de connais-
sances ou des theories du domaine. Ce n'est pas parce que les auteurs les considerent comme
negligeables. Au contraire, notre conviction est que l'apprentissage articiel ne pourra faire
l'economie de l'etude des apprentissages utilisant des connaissances. Cependant, pour des raisons
a la fois historiques (en particulier l'irruption du connexionnisme dans les annees quatre-vingt),
scientiques (il est tellement plus facile de faire des theoremes dans des espaces numeriques),
institutionnelles (le quantum d'action en science est souvent celui d'un travail de these, or les
systemes a base de connaissances demandent des developpements a beaucoup plus long terme)
et economiques (il y a deja fort a faire avec l'exploration preliminaire de bases de connaissances
(( nues )) telles que les bases de donn ees genomiques ou les bases de donnees des entreprises),
l'etude des methodes telles que l'apprentissage a partir d'explications, l'abstraction, l'analogie,
etc. a fortement marque le pas ces dernieres annees. Il ne fait cependant nul doute que dans dix
ans un ouvrage sur l'apprentissage y consacrera une bien plus large place.
Resume
Des que l'on aborde des domaines complexes, il faut faciliter les raisonnements et
l'apprentissage :
en contrôlant l'expression de l'espace des hypotheses, par exemple en realisant
des abstractions,
en apprenant des connaissances permettant une exploration plus ecace des
hypotheses, par exemple a l'aide de macro-operateurs ou d'heuristiques de
contrôle que rend possible l'apprentissage a partir d'explications,
en facilitant le transfert de connaissances et de solutions entre domaines, par
exemple en utilisant des raisonnements comme l'analogie.
Toutes ces techniques requierent une ou des theories du domaine fortes. C'est de la
qu'elles tirent une grande puissance en permettant l'apprentissage a partir de peu
de donnees. C'est la aussi la source des dicultes de leur application.
206
Chapitre 7
L'inference grammaticale
Ce chapitre traite de l'apprentissage inductif de grammaires et d'automates a par-

tir d'exemples. Le probleme est d'extraire, a partir d'exemples (et eventuellement
de contre-exemples), une grammaire capable d'engendrer un langage, c'est-a-dire un
ensemble de sequences, en general inni.
On se place ici dans le cas d'un apprentissage de concept : l'ensemble d'exemples est
donc forme de deux parties, un echantillon positif, sous-ensemble ni du langage de
la grammaire que l'on cherche a apprendre, et un echantillon negatif (eventuellement
vide), ensemble ni de sequences n'appartenant pas au langage.
La decision de l'appartenance d'une phrase inconnue a une grammaire est realisee
par un algorithme d'analyse syntaxique, dont le rôle est de rendre une reponse binaire
a la question : (( telle sequence de symboles appartient-elle au langage engendre par
telle grammaire? ))
L'inference grammaticale a ete etudiee depuis le developpement (simultane) de la
theorie des grammaires formelles et de l'intelligence articielle. Cette discipline ore
un grand interêt theorique aux chercheurs en apprentissage. De plus, elle est l'objet de
nombreuses applications. Nous consacrerons principalement ce chapitre a l'inference
reguliere, c'est-a-dire a l'apprentissage des automates nis. C'est en eet dans ce
cadre qu'ont ete menes la plupart des travaux jusqu'a ce jour. Nous exposerons ensuite
quelques extensions, en particulier aux grammaires algebriques.
208
e zoo vient d'acquerir deux cygnes, un noir et un blanc. Et chaque jour, le gardien
L transporte de sa cabane a leur cage six rations de farines animales, trois pour chacun.
Comme il a deja a s'occupper des ornithorynques et des rhinolophes, il decide de se
simplier la tâche : plutôt que de transporter les rations, il va essayer d'apprendre aux
cygnes a venir se servir eux-mêmes. Qui plus est, cela fera une attraction dans l'etablissement :
a une heure dite, la porte s'ouvrira et les deux animaux quitteront leur cage pour se diriger vers
leur repas. Avant de proposer le numero, il faut dresser les oiseaux. Le gardien, qui a de bonnes
lectures, decide de les conditionner de la maniere suivante. Un jour sur quatre, il laisse l'un des
oiseaux dans sa cage sans rien lui donner et emmene l'autre a sa cabane, ou ce dernier a la bonne
surprise de trouver non pas trois, mais cinq rations de pâtee. Un jour sur quatre, il fait la même
chose en echangeant les oiseaux. Un jour sur quatre, il emmene les deux qui ont alors droit a
deux rations et demi chacun. Le reste du temps, il leur apporte trois rations chacun dans leur
cage, comme d'habitude. Quelques semaines de conditionnement, seul ou a deux, et l'experience

est prête. La porte s'ouvre. Que vont faire les cygnes? Le tableau suivant montre le resume de
la situation : le cygne noir est note CN et le blanc CB .
CN et CB se deplacent tous les deux CN et CB ont chacun 2.5 rations
CN se deplace et CB ne se deplace pas CN a 5 rations et CB n'a rien
CN ne se deplace pas et C B se deplace CN n'a rien et CB a 5 rations
CN et CB ne se deplacent ni l'un ni l'autre CN et CB ont chacun 3 rations
Chacun des cygnes a maintenant appris que s'il reste sur place, il aura peut-être trois rations,
peut-être aucune, selon ce que fera l'autre. Il sait aussi que s'il fait seul l'eort de se deplacer,
cinq rations seront peut-être pour lui. Cependant, si son camarade fait aussi le voyage, il n'y
en aura que deux et demi pour chacun. La diculte vient de ce qu'aucun des deux cygnes ne
sait ce que va faire l'autre. Faut-il attendre et esperer que l'autre animal a fait de même pour
recevoir les trois rations? Faut-il essayer d'en avoir cinq, au risque que l'autre cherche aussi a
manger plus, ce qui penalise les deux?
Le gardien a de bonnes raisons d'être optimiste. Chaque jour, pense-t-il, chaque cygne va
raisonner comme suit : (( je dois me deplacer, pour deux raisons. La premiere est que cela m'assure
de manger au moins deux rations et demi. La seconde est que l'autre cygne va probablement
penser comme moi et se deplacer aussi : il ne faut donc pas que je reste dans ma cage )). C'est
en eet ce que l'on observe la plupart du temps : confrontes a des situations de ce type 1 , deux
sujets choisissent la securite. Le paradoxe apparent de la situation vient de ce que s'ils restaient
tous deux dans leur cage, chacun aurait plus a manger. Mais comme ils n'ont pas la possibilite
de se mettre d'accord, le resultat n'est pas nalement le meilleur pour eux.
Maintenant, nous allons voir comment des cygnes doues de capacites a vrai dire rares dans
cette espece peuvent mieux proter de la situation. Nous allons faire deux hypotheses. La
premiere est que CB possede une strategie qui permet chaque jour de prendre une decision
en fonction de ce qui s'est passe les jours precedents. La seconde est que CN conna^t la famille
de la strategie que CB applique, mais qu'il ne sait pas exactement laquelle. Il va donc l'ap-
prendre au l des jours. Une fois qu'il l'aura induite du comportement de son adversaire, il lui
sera facile de la dejouer et de manger plus. C'est le gardien qui va être surpris.
Commencons par CB pour presenter dans quelle famille de strategies il se place. Le mieux
est de representer cela graphiquement. La gure 7.1 presente l'exemple de la strategie naturelle
qui consiste a se deplacer (sortir de la cage) chaque jour quelle que soit l'action eectuee la
1. Ce probleme est souvent presente par une autre metaphore : le dilemme des prisonniers ([Axe97, Del92, Gir00]).
Chapitre 7 L'inference grammaticale 209
veille par CN . C'est sur cette analyse que compte le gardien. Chaque jour, la decision consiste
pour CB a se souvenir de ce que CN a fait la veille et a agir en consequence. Pour cela, CB ,
qui s'est installe la veille dans un certain (( etat )) (un cercle du diagramme) emprunte au jour j
l'arc qui porte l'action faite la veille par son adversaire et se retrouve dans un nouvel (( etat )).
Comme dans cette strategie CB sort tous les jours, le diagramme n'a qu'un etat. Chaque jour,
CB s'y trouve, et quelle que soit l'action de CN la veille, CB va emprunter un des deux arcs
pour prendre sa decision : evidemment celle de sortir. Mais le cygne blanc peut aussi vraiment
CN reste
CN sort
CB sort
Fig. 7.1 { La strategie triviale pour le cygne blanc CB : (( je sors tous les jours, quelle qu'ait ete
l'action de mon adversaire la veille )).
tenir compte de ce que son partenaire CN a fait les jours precedents. En realite, c'est la seule
information observable 2. Par exemple, il peut decider de rester tous les jours dans sa cage,
sauf si la veille CN est sorti. L'hypothese de CB est ici est que si CN est sorti un jour, il va
rester tranquille le lendemain. Cette strategie est decrite par la gure 7.2 et le tableau ci-dessous.
Ce qui s'est passe au jour j ; 1 La decision de CB au jour j

CB est reste et CN est sorti CB sort
CB est reste et CN est reste CB reste
CB est sorti et CN est sorti CB reste
CB est sorti et CN est reste CB reste
CN reste
CN sort
CN sort
CB reste CB sort
CN reste
Fig. 7.2 { Une strategie un peu plus complexe pour le cygne blanc CB : (( Je reste tout les jours
dans ma cage, sauf si mon adversaire est sorti hier. Dans ce cas, je pense qu'il va
rester aujourd'hui et donc je sors )).
2. Il s'agit ici du dilemme itere du prisonnier.

210
D'une maniere generale, nous supposons donc que la strategie du cygne blanc s'ecrit sous la
forme graphique dont nous avons deja donne deux exemples. Ce genre de modele s'appelle un
automate ni. Chaque automate ni, donc chaque strategie, correspond a la description pour
le cygne blanc du concept (( aujourd'hui, je sors )) et de sa negation (( aujourd'hui je reste )), en
fonction des couples d'actions commises par les deux animaux dans les jours precedents.
Supposons que la strategie utilisee par CB soit celle de la gure 7.3. Comment CB utilise-
t-il ce dessin pour agir en fonction de ce qu'a fait l'adversaire les jours precedents? Appelons
((
etats )) les trois nuds du graphe : l'un est en forme de cercle, l'autre de carre et le dernier
de losange. Dans chacun est inscrite la decision a prendre. Le premier jour, le cygne blanc place
sa strategie dans l'etat cercle. Il va donc sortir vers la cabane du gardien et observer ce que
fait le cygne noir. Si celui-ci se deplace, la strategie du cygne blanc reste dans le même etat : le
lendemain, il se deplacera encore. Par contre, si son adversaire reste dans la cage, la strategie
passera dans l'etat rectangle, ce qui impose que le lendemain, le cygne blanc restera dans sa
cage.
CN sort CN reste
CN reste CN reste
CB sort CB reste CB sort
CN sort CN sort
Fig. 7.3 { La strategie du cygne blanc.
jour action de CB action de CN

1 sortir sortir
2 sortir rester
3 rester sortir
4 sortir sortir
5 sortir rester
6 rester rester
7 rester rester
8 rester sortir
9 rester
Tab. 7.1 { La sequence des actions journalieres de CB selon sa strategie, qui ne depend que de
ce que CN a fait les jours precedents.
Sur une duree un peu plus longue, la sequence donnee dans le tableau ci-dessus est conforme
a la strategie du cygne blanc. En eet, le neuvieme jour, la sequence des actions eectuee par le
cygne noir les huit jours precedents conduit le cygne blanc (en suivant les eches marquees dans
le graphe) dans l'etat en forme de rectangle, qui est marque (( CB reste )). D'ou la decision prise
par CB : rester. Le lendemain, neuvieme jour, quelle que soit l'action du cygne noir le huitieme,
le cygne blanc restera dans sa cage : il sera soit dans l'etat en forme de cercle, soit dans celui en
forme de losange, mais la decision sera la même.
Nous avons admis que le cygne blanc possedait une strategie dans la famille de celles que l'on
peut representer par un automate ni, comme les trois presentees ci-dessus. On a vu que cela
permet d'utiliser les actions passees de l'adversaire. Placons-nous maintenant du point de vue
du cygne noir. Il n'a pas de strategie a priori, mais il possede des facultes d'apprentissage qui
vont lui permettre de dejouer celle de l'adversaire. Et comment? D'abord, il va apprendre quelle
est la strategie du cygne blanc, quel automate il utilise, en observant ses reactions quotidiennes.
Il n'aura plus ensuite qu'a prendre la meilleure tactique, deduite de celle de l'adversaire.
Le premier point est le sujet de ce chapitre, l'inference grammaticale : est-il possible d'ap-
prendre un concept represente sous la forme d'un automate ni quand on conna^t des exemples
de sequences conformes au concept et d'autres non couvertes par ce concept? La reponse est
globalement positive, comme on le verra. Dans ce cas, l'ensemble d'apprentissage est constitue
des huit exemples et contre-exemples donnes ci-dessous dans le tableau 7.2.
Sequence des actions de CN Action de CB
(premier jour) sortir

s sortir
s r s sortir
s r s s sortir
s r rester
s r s s r rester
s r s s r r rester
s r s s r r r rester
s r s s r r r r rester
Tab. 7.2 { L'ensemble des sequences d'apprentissage qui permet a CN d'apprendre la strategie
de CB . On a abrege (( CN sort )) en s et (( CN reste )) en r.
Le second point provient de la theorie des jeux (le cygne noir est particulierement savant).
Il se trouve que, si on a la connaissance d'une strategie adverse sous forme d'automate ni, on
peut en deduire la meilleure contre-strategie. Sans detailler le cas general, la meilleure reponse
du cygne noir a la strategie du cygne blanc est ici la suivante : rester dans la cage deux fois,
puis alterner : rester, sortir, rester, sortir... un jour sur deux. Un calcul simple montre que la
quantite de rations que le cygne noir avale par jour tend rapidement vers 4, la moyenne entre
3 et 5. L'apprentissage de la strategie de l'adversaire par inference grammaticale lui a donc ete
protable, puisque s'il avait quitte sa cage chaque jour, la strategie de CB lui aurait dicte de
faire de même et CN n'aurait eu que deux rations et demi par jour.
Le plan de ce chapitre
Nous presentons a la section 7.1 les notions de base qui nous permettent de denir l'espace
des solutions possibles de l'inference grammaticale reguliere. Nous introduisons aussi la notion de
completude structurelle d'un echantillon relativement a un automate ni, un biais d'apprentissage
qui assure d'une certaine maniere que cet echantillon est representatif de l'automate.
L'inference grammaticale est l'un des domaines de l'apprentissage automatique symbolique
pour lequel la caracterisation et l'evaluation d'une methode ont ete le plus formalisees. Nous
presentons en particulier le critere d'identication exacte d'un langage, deni par Gold [Gol67b,
Gol78b].
Nous consacrons la section 7.3 a une description formelle de l'inference reguliere. Elle est
vue comme un probleme de recherche explicite dans l'espace des hypotheses de generalisation de
l'echantillon positif. Compte tenu d'une limitation raisonnable des possibilites de generalisation,
l'espace de recherche a explorer est un ensemble d'automates structure construit sur l'echantilon
positif.
De nombreux algorithmes d'inference ont ete proposes. Certains sont constructifs ou ca-
racterisables au sens ou ils sont capables d'identier avec certitude n'importe quel langage ap-
partenant a une classe denie (un sous-ensemble strict de langages reguliers deni de maniere
constructive). D'autres d'algorithmes sont qualies ici d'heuristiques, soit parce qu'ils n'identi-
ent pas avec certitude n'importe quel langage d'une classe denie, soit parce qu'il n'existe pas
de caracterisation de la classe de langages qu'ils peuvent identier. Ces algorithmes utilisent un
biais d'apprentissage heuristique pour guider la generalisation eectuee a partir des donnees.
Certains algorithmes d'inference reguliere n'utilisent que des echantillons positifs. La plupart
de ces algorithmes sont decrits dans les articles de synthese [BF72a, Ang82a, Mic90, Gre94a].
Nous presentons a la section 7.4 quelques algorithmes constructifs ou heuristiques qui utilisent
ce type de donnees.
Si on dispose egalement d'un echantillon negatif, l'inference peut être plus precise et on
peut en particulier chercher a construire le plus petit automate compatible (coherent) avec les
echantillons positif et negatif. Nous etudions le cadre formel de ce probleme a la section 7.5. Nous
denirons pour cela la notion d'ensemble frontiere (section 7.5.1). Nous presenterons ensuite
quelques methodes d'inference.
La section suivante traitera plus brievement du probleme de l'inference de grammaires
algebriques, un probleme encore mal ma^trise. On y verra quelques exemples d'algorithmes heu-
ristiques. La derniere section abordera certaines extensions et problemes ouverts de ce domaine,
qui est a l'heure actuelle une veritable mine theorique et pratique pour les chercheurs.
Un alphabet (ensemble ni)

Le mot vide
L'ensemble de tous les mots sur
+ sauf le mot vide
n Tous les mots sur de longueur inferieure ou egale a n
7.1 Denitions et notations

7.1.1 Langages, grammaires, automates et partitions
Notions de base
Denition 7.1
Soit un ensemble ni, appele alphabet et les lettres a; b; c; ::: les elements de : On note
u; v; w; x des elements de , c'est-a-dire des cha^nes ou phrases 3 de longueur denombrable sur
. On note la cha^ne vide de longueur nulle et juj la longueur de la cha^ne u.
Denition 7.2
u est un prexe de v s'il existe w tel que uw = v.
Denition 7.3
Un langage L est un sous-ensemble quelconque de . Les elements de L sont des sequences de
lettres de , donc des cha^nes.
3. On dit aussi mots ou sequences.
Grammaires
Une grammaire est un objet mathematique auquel est associe un processus algorithmique
permettant d'engendrer un langage.
Denition 7.4
Une grammaire est un quadruplet G = (N; ; P; S ) dans lequel :
N est un alphabet composant l'ensemble des symboles non-terminaux de G.
est l'alphabet terminal de G, disjoint de N . On note : V = N [ .
R (V N +V V ) est un ensemble ni de regles de production.
S 2 N est l'axiome de G.
Une regle de production s'ecrit ;! , avec 2 V et 2 V N + V , ce qui signie que
comporte au moins un symbole non-terminal.

Generation d'un langage par une grammaire
Soit u 2 V + et 4 v 2 V . On dit que u se reecrit en v selon la grammaire G, ou que la
grammaire G derive v de u en une etape si et seulement si on peut ecrire u et v sous la forme :
u = xu0y (avec eventuellement x = ou y = )
v = xv0y
avec : (u0 ;! v0) 2 P
La grammaire G derive v en k etapes de u si et seulement s'il existe k 1 et une suite
(v0 : : : vk ) de mots de V + tels que :
u = v0
v = vk
vi se recrit en vi+1 pour 0 i k ; 1
La grammaire G derive v de u s'il existe un entier k tel que u derive v en k etapes. Pour
k 1, la sequence u; : : : ; vi ; : : : v s'appelle une derivation de v par u.
Denition 7.5
On dit qu'un mot v 2 est engendre par la grammaire G quand il peut se deriver a partir de
l'axiome S de G.
Le langage engendre par la grammaire G est l'ensemble des mots de engendres par G.
On le note L(G).
Deux exemples
Quand il n'y a pas d'ambigute, on simplie la notation d'une grammaire en ne representant
que ses regles et en mettant toutes celles de même partie gauche sur la même ligne.
La grammaire denie par N = fS g, = fa; b; cg et P = f(S ;! aSb); (S ;! )g peut ainsi
s'ecrire :
S ;! aSb j
Elle engendre le langage fan bn j n 0g. En eet, sur un exemple, son axiome S derive le mot
aaabbb en quatre etapes : trois applications de la regle S ;! aSb et une de la regle S ;! ,
soit :
S , aSb, aaSbb, aaaSbbb, aaabbb
4. E tant donne un alphabet V , V designe l'ensemble de tous les mots sur V , alors que V + exclut le mot vide.
La grammaire denie par N = f1; 2; 3; 4g, = fa; bg et P = f(1 ;! a2); (1 ;! b3); (1 ;!
); (2 ;! a1); (2 ;! b4); (3 ;! a4); (3 ;! b1); (4 ;! a3); (4 ;! b2)g est exactement
equivalente a l'automate ni de la gure 7.4. Les phrases qu'elle accepte sont composees d'un
nombre pair de a et pair de b. Elle s'ecrit plus simplement 5 :
b
a
2
b
a
4
1
b a
b a
3
Fig. 7.4 { Un automate ni acceptant les phrases composees d'un nombre pair de a et pair de
b.
1 ;! a2 j b3 j 2 ;! a1 j b4
3 ;! a4 j b1 4 ;! a3 j b2
Deux types de grammaires
Selon la forme de leur regles ;! , on distingue les grammaires suivantes :
Type 2 : grammaires algebriques 6 : A ;! , avec A 2 N et 2 V
Type 3 : grammaires regulieres : A ;! wB ou A ;! w, avec w 2 , A 2 N et B 2 N
Un langage pouvant être engendre par une grammaire reguliere (resp : algebrique) est appele
langage regulier (resp : langage algebrique). Un resultat classique de la theorie des langages est
le suivant ([AU72]):
Theoreme 7.1
Tout langage regulier peut être engendre par un automate ni. Tout automate ni engendre un
langage regulier.
Les automates nis
Comme l'assure le theoreme precedent, les automates nis sont equivalents aux grammaires
regulieres. Ils sont d'un emploi beaucoup plus facile. Nous allons maintenant les denir rigou-
reusement.
Denition 7.6
Un automate ni est un quintuplet (Q; ; ; q0 ; F ) ou Q est un ensemble ni d'etats, est un
alphabet ni, est une fonction de transition, c'est-a-dire une application de Q ! 2Q ,
5. L'axiome n'est pas note ici S , mais 1.
6. Les grammaires algebriques sont aussi appelees context-free ou hors-contexte.
Q0 2 Q est le sous-ensemble des etats initiaux et F 2 Q est le sous-ensemble des etats naux
ou d'acceptation.
Denition 7.7
Si, pour tout q de Q et tout a de , (q; a) contient au plus un element (respectivement exac-
tement un element) et si Q0 ne possede qu'un element q0 , l'automate A est dit deterministe
(respectivement complet). Par la suite, nous utiliserons l'abreviation AFD pour (( automate ni
deterministe )) et AFN pour un (( automate ni non-deterministe )).
L'automate ni de la gure 7.4 est un AFD. Un autre exemple d'automate ni est represente
a la gure 7.5. Il comporte cinq etats, Q = f0; 1; 2; 3; 4g: Il est deni sur l'alphabet a deux lettres,
= fa; bg: Les etats initiaux sont 0 et 5, Q0 = f0; 5g et les etats 3 et 4 sont naux, F = f3; 4g:
a b
1 3
a
0
a
b
4
2 b
a
5
Fig. 7.5 { Une representation de l'automate A1 .
Il s'agit ici d'un AFN (automate non deterministe) car il y a deux arcs etiquetes a a partir
de l'etat 0 et deux etats initiaux. En d'autres termes, (0; a) = f1; 2g:
Langage accepte par un automate ni
Denition 7.8
Une acceptation d'une cha^ne u = a1 : : : al par un automate A, eventuellement non-deterministe,
denit une sequence, eventuellement non unique, de l + 1 etats (q0 ; : : : ; ql ) telle que q0 2 Q0 ,
ql 2 F et qi+1 2 (qi ; ai+1 ), pour 0 i l ; 1. Les l + 1 etats sont dits atteints pour cette
acceptation et l'etat ql est utilise comme etat d'acceptation. De facon similaire, les l transitions,
c'est-a-dire des elements de , sont dites exercees par cette acceptation.
Par exemple, la sequence des etats (0; 1; 3) correspond a une acceptation de la cha^ne aab
dans l'automate A1 .
Denition 7.9
Le langage L(A) accepte par un automate A est l'ensemble des cha^nes acceptees par A.
Theoreme 7.2
Le langage L est accepte par un automate A si et seulement si il peut ête engendre par une gram-
maire reguliere. De plus, un langage regulier peut être represente par une expression reguliere 7
7. Nous ne denissons pas formellement ici ce terme.
[AU72].
Denition 7.10
Pour tout langage regulier L, il existe un AFD note A(L) qui engendre L et possede un nombre
minimal d'etats. A(L) est generalement appele automate deterministe minimal ou automate
canonique de L; On demontre que A(L) est unique [AU72]. Par la suite, nous parlerons in-
dieremment de l'automate canonique ou de l'automate minimal deterministe de L.
Par exemple, l'automate canonique represente a la gure 7.6 accepte le langage compose
des phrases commencant par un nombre impair de a, suivi d'un nombre impair de b 8 . Il s'agit
du langage accepte egalement par l'automate A1 de la gure 7.5. Il n'existe pas d'automate
deterministe comportant moins d'etats et acceptant ce langage.
a b
0
a 1
b 2
b 3
Fig. 7.6 { Automate canonique du langage deni par l'expression reguliere L = a(aa) b(bb) .
Automates derives
Nous denissons maintenant une relation d'ordre partiel sur l'ensemble des automates, qui
permettra un apprentissage par generalisation dans l'esprit de la methode de l'espace des ver-
sions.
Denition 7.11
Pour tout ensemble S , une partition est un ensemble de sous-ensembles de S; non vides et
disjoints deux a deux, dont l'union est S . Si s designe un element de S , B (s; ) designe l'unique
element, ou bloc, de comprenant s. Une partition i rane, ou est plus ne que, une partition
j ssi tout bloc de j est un bloc de i ou est l'union de plusieurs blocs de i .
Denition 7.12
Si A = (Q; ; ; q0 ; F ) est un automate,
l'automate A= = (Q0 ; ; 0 ; B (q0 ; ); F 0 ) derive de A relativement a la partition de Q,
aussi appele l'automate quotient A=, est deni comme suit :
Q0 = Q= = fB (q; )jq 2 Qg,
F 0 = fB 2 Q0jB \ F 6= g,
0 : Q0 ! 2Q0 : 8B; B 0 2 Q0 ; 8a 2 ; B 0 2 0 (B; a) ssi 9q; q0 2 Q; q 2 B; q0 2 B 0 et q0 2
(q; a)
Nous dirons que les etats de Q appartenant au même bloc B de la partition sont fusionnes.
Reprenons l'automate A1 , represente a la gure 7.5 et denissons la partition de son ensemble
d'etats, 2 = ff0; 1g; f2g; f3; 4gg: L'automate quotient A1 =2 , obtenu en fusionnant tous les etats
appartenant a un même bloc de 2 , est represente a la gure 7.7.
8. ce qui correspond a l'expression reguliere L = a(aa)b(bb) :
a b
b 3,4 b
2
0,1
a
Fig. 7.7 { L'automate quotient A1 =2 .

Une propriete fondamentale de l'operation de fusion est la suivante :

Propriete 7.1
Si un automate A=j derive d'un automate A=i , alors le langage accepte par A=i est inclus
dans celui accepte par A=j .
Par consequent, en partant d'un automate A, on peut construire tous les automates derives
de A en enumerant les partitions des etats de A. Il existe sur cet ensemble une relation d'ordre
partiel qui est coherente avec l'inclusion des langages que reconnaissent ces automates. On
reconna^t ici la relation de generalite de l'espace des versions (voir le chapitre 4).
En reprenant l'exemple A1 de la gure 7.5, on a vu que le choix de la partition 2 =
ff0; 1g; f2g; f3; 4gg permet de deriver l'automate quotient A2 = A1 =2 , represente a la gure 7.7.
On sait donc que le langage reconnu par A2 inclut celui reconnu par A1 . Prenons maintenant la
partition 3 = ff0; 1; 2g; f3; 4gg. Elle permet de deriver un automate A3 , represente a la gure
7.8.
b
0,1,2 3,4
b
La partition 3 est moins ne que 2 , puisque ses blocs sont construits comme une union
de blocs de 2 ; on peut donc assurer que l'automate A3 reconna^t un langage qui inclut celui
reconnu par A2 . En revanche, si on construit l'automate A4 (gure 7.9) par derivation de A1
selon la partition 4 = ff0g; f1; 3g; f2; 4gg, qui n'est ni moins ne ni plus ne que 2 , on ne peut
rien dire sur l'inclusion eventuelle des langages reconnus par A4 et A2 . Par exemple, la phrase
abb est reconnue par A4 et pas par A2 , alors que la phrase b est reconnue par A2 et pas par A4 .
1,3
a
0 a b
a
2,4

Propriete 7.2
L'ensemble des automates derives d'un automate A, qui est partiellement ordonne par la re-
lation de derivation, est un treillis 9. Les automates A et UA, l'automate universel, en sont
respectivement les elements minimal et maximal. On note ce treillis Lat(A).
On retrouve donc ici la structure en treillis de l'espace des hypotheses, associee a une relation
d'ordre de generalite, comme denie au chapitre 4.
7.1.2 E chantillons d'un langage et automates associes
Denition 7.13
Nous designons 10 par I+ un sous-ensemble ni, appele echantillon positif, d'un langage L quel-
conque. Nous designons par I; un sous-ensemble ni, appele echantillon negatif, du langage
complementaire ; L. I+ et I; sont des sous-ensembles nis et disjoints de .
Completude structurelle
On denit maintenant un biais d'apprentissage : on ne cherchera a inferer que des automates
pour lesquels l'echantillon positif est d'une certaine maniere representatif (en termes techniques,
structurellement complet). Ce biais est conforme a un principe d'economie de type (( rasoir
d'Occam )) ou principe MDL : il est inutile de rechercher des automates trop complexes.
Denition 7.14
Un echantillon I+ est structurellement complet relativement a un automate A acceptant L, s'il
existe une acceptation AC (I+ ; A) de I+ telle que :
Toute transition de A soit exercee.
Tout element de F (l'ensemble des etats naux de A) soit utilise comme etat d'acceptation.
Par exemple, l'echantillon I+ = faab; ab; abbbbbg est structurellement complet relativement
a l'automate A1 :
L'automate Canonique Maximal, l'Arbre Accepteur des Prexes et l'Automate Uni-
versel
9. Cet ensemble n'est pas un treillis au sens algebrique, mais l'usage a jusqu'ici fait prevaloir ce terme.
10. En inference grammaticale, les notations I+ et I; sont classiques. Nous les employons donc dans ce chapitre a la
place de S+ et S;
On a maintenant besoin de representer l'echantillon d'apprentissage dans l'univers des concepts,
c'est-a-dire de denir des automates qui ne reconnaissent que cet echantillon.
Denition 7.15
On designe par MCA(I+ ) = (Q; ; ; q0 ; F ) l'automate maximal canonique 11 relatif a I+ [Mic80a].
Par construction, L(MCA(I+ )) = I+ et MCA(I+ ) est le plus grand automate (l'automate
ayant le plus grand nombre d'etats) pour lequel I+ est structurellement complet. MCA(I+ ) est
generalement non-deterministe.
Sa construction est facile a observer sur un exemple. L'automate represente a la gure 7.10
est l'automate maximal canonique relatif a l'echantillon I+ = fa; ab; babg:
1
a
0
a 2
b 4
b
3
a 5
b 6
Fig. 7.10 { L'automate maximal canonique de l'echantillon fa; ab; babg.
Denition 7.16

Nous designons par PTA(I+ ) l'arbre accepteur des prexes 12 de I+ [Ang82a]. Il s'agit de l'au-
tomate quotient MCA(I+ )=I+ ou la partition I+ est denie comme suit :
B (q; I+ ) = B (q0; I+ ) ssi Pr(q) = Pr(q0 ).
En d'autres termes, PTA(I+ ) peut être obtenu a partir du MCA(I+ ) en fusionnant les etats
partageant les mêmes prexes. PTA(I+ ) est deterministe.
A titre d'exemple, l'automate represente a la gure 7.11 est l'arbre accepteur des prexes
relatif a l'echantillon I+ = fa; ab; babg:
b
a 1 3
0
b
2
a 4
b 5
Fig. 7.11 { L'arbre accepteur des prexes PTA(I+ ), avec I+ = fa; ab; babg.
11. L'abreviation MCA pour Maximal Canonical Automaton provient de la terminologie anglaise. Le qualicatif
canonique se rapporte ici a un echantillon. Le MCA ne doit pas être confondu avec l'automate canonique d'un
langage (voir def. 7.10).
12. L'abreviation PTA pour Prex Tree Acceptor provient de la terminologie anglaise.
Denition 7.17
Nous designons par UA l'automate universel 13. Il accepte toutes les cha^nes denies sur l'alpha-
bet , c'est-a-dire L(UA) = . Il s'agit donc du plus petit automate pour lequel tout echantillon
de est structurellement complet.
L'automate universel deni sur l'alphabet = fa; bg est represente a la gure 7.12.
b
a
Fig. 7.12 { L'automate universel sur l'alphabet = fa; bg.
7.2 Les protocoles de l'inference : quelques resultats theoriques

7.2.1 La specication d'un probleme d'inference grammaticale
Si l'on veut denir un cadre aussi general et productif que possible pour l'inference gramma-
ticale, comme d'ailleurs pour tout probleme d'apprentissage inductif, cinq points doivent être
species :
La classe de grammaires a inferer : grammaires regulieres 14 ou d'une de ses sous-classes,
ou grammaires hors-contextes. Comme on le verra en conclusion, quelques autres familles
de grammaires ont aussi ete etudiees.
L'espace des hypotheses, ou le langage des concepts, c'est-a-dire l'ensemble des descriptions
tel que chaque grammaire de la classe consideree possede au moins une description dans
l'espace. Pour les grammaires regulieres, il s'agit en general de l'espace des automates.
Pour les grammaires hors-contexte, l'espace de representation est en general directement
celui de leurs regles.
Un ensemble d'exemples, pour chaque grammaire a inferer et un protocole de presentation
de ces exemples. Ce terme designe la facon dont les exemples sont presentes a l'algorithme
d'apprentissage : tous a la fois, un par un : : :
La classe des methodes d'inference en consideration. Il s'agit en particulier du choix entre
methodes constructives ou heuristiques (voir section 7.4).
Les criteres d'une inference reussie, denis en section7.2.2.
Une methode d'inference est alors un processus calculable qui lit des exemples conformement
a un protocole et propose des solutions dans l'espace des hypotheses.
13. L'abreviation UA pour Universal Automaton provient de la terminologie anglaise.
14. Rappelons qu'une grammaire reguliere, equivalente a un automate ni, engendre un langage regulier (voir sec-
tion 7.1).
7.2.2 L'identication a la limite d'une grammaire
Pour illustrer les notions ci-dessus et presenter un cadre theorique de reference, nous presentons
dans ce paragraphe un protocole de presentation et un critere de reussite denis conjointement :
l'identication a la limite, proposee par Gold [Gol67b]. De nombreux resultats decoulent de ce
critere, tant sur la possibilite d'identier ou non un langage que sur la complexite calculatoire de
ce processus d'identication [Gol78b, Pit89]. En outre, ces travaux constituent une justication
theorique de la necessite d'utiliser un echantillon negatif.
Denition 7.18 (presentation positive)
Une presentation positive d'un langage L est une sequence innie de phrases de L comportant
au moins une occurrence de chaque element de L. Les elements d'une presentation positive sont
appeles des exemples.
Denition 7.19 (presentation negative)

Une presentation negative d'un langage L est une sequence innie d'elements de ; L com-
portant au moins une occurrence de chaque element de ; L. Les elements d'une presentation
negative sont appeles exemples negatifs ou contre-exemples.
Denition 7.20 (presentation complete)

Une presentation complete d'un langage L est une sequence innie de paires (x; d), de f0; 1g
telle que chaque x de L appara^t dans au moins une paire. Pour chaque (x; d), d = 1 si et
seulement si x appartient a L, d = 0 sinon.
Le protocole d'identication a la limite est deni comme suit. Soit M une methode d'inference
et S = (x1 ; d1 ); (x2 ; d2 ) : : : une presentation complete d'exemples d'un langage L. Nous notons
Si le sous-ensemble ni des i premiers elements de S selon un certain protocole. La methode
d'inference doit proposer une solution dans l'espace d'hypotheses apres chaque nouvel exemple
lu. Soit h(Si ); l'hypothese proposee par la methode M apres avoir lu les i premiers exemples
presentes.
Denition 7.21
La methode d'inference M identie a la limite pour la classe de langages L pour une classe de
presentation P si pour tout L de L et tout p de P , il existe un indice ni j , tel que :
h(Si ) = h(Sj ), pour tout i j .

L(h(Sj )) = L.
La premiere condition impose que la methode converge a partir d'un indice ni, la seconde
qu'elle converge vers une representation unique de la solution correcte.
Denition 7.22
Une methode d'inference M identie a la limite une classe C de langages, si M identie a la
limite n'importe quel langage L de la classe C pour n'importe quelle presentation d'exemples de
L.
Ce protocole s'interesse donc a l'identication exacte d'un langage.
7.2.3 Deux proprietes de l'identication a la limite.

Propriete 7.3
La classe des langages reguliers 15 n'est pas identiable a la limite a partir d'une presentation
positive.
Propriete 7.4
La classe des langages reguliers et celle des langages algebriques 16 sont identiables a la limite
par presentation complete.
7.2.4 Autres protocoles pour l'inference de grammaires.
La richesse theorique des l'apprentissage des grammaires formelles se traduit en particulier

par la variete des protocoles proposes et les resultats demontres dans ces protocoles. Citons par
exemple la technique par oracle, dont une variante est la suivante : a chaque etape, l'algorithme
d'inference calcule une grammaire hypothese et la propose a l'oracle. Celui-ci repond (( oui ))
si l'hypothese est la bonne, et sinon, donne un contre-exemple a l'hypothese proposee, ce qui
permet a l'algorithme de calculer une nouvelle hypothese. L'algorithme peut aussi proposer une
sequence et l'oracle lui repond si oui ou non elle appartient au langage a identier. Il a ete
demontre que dans ce cadre, l'identication des automates deterministes est possible avec un
nombre de questions a l'oracle polynomial en fonction de la taille de l'automate a trouver et de
la taille du plus long contre-exemple.
On verra au paragraphe 7.6.4 une methode qui apprend des grammaires algebriques a l'aide
d'un oracle (aux reponses un peu dierentes).
D'un point de vue pratique, on doit en general admettre que les protocoles de l'identication
a la limite ou de l'intervention d'un oracle sont inutilisables. On se contente d'observer des
exemples et de calculer une grammaire qui les generalise. La validite de l'inference peut être
bien sûr veriee par un ensemble de test.
Il existe par exemple un serveur Internet nomme abbadingo [LP97] qui fonctionne ainsi : l'au-
teur d'un algorithme d'inference reguliere demande a ce serveur une session de test. Quelques
parametres sont precises : nombre d'etats de l'automate canonique, taille de l'alphabet, (( den-
site )) de l'echantillon. L'automate est fabrique aleatoirement par le serveur, ainsi que deux
echantillons d'apprentissage et de test. Le premier est donne a l'utilisateur, qui fait tourner son
algorithme et renvoie une grammaire en reponse. Le serveur l'utilise pour analyser l'echantillon
de test et retourne la matrice de confusion (voir au Chapitre 3 le paragraphe 3.4). Il est a noter
que la validite statistique de ce test n'est pas assuree ici, car on ne peut pas savoir si les sequences
engendrees aleatoirement sont independantes.
On conna^t un theoreme (decevant) sur la recherche de l'automate ni (( optimal )), l'automate
ni deterministe minimal A(L), que nous avons aussi appele automate canonique d'un langage
L(7.10). Ce probleme est connu sous le nom de recherche du plus petit automate compatible 17 .
Theoreme 7.3

Etant donne un langage L, identier A(L) a partir d'exemples positifs et negatifs est un probleme
NP -dicile.
15. Le resultat de Gold est plus general, mais cette version sura ici.
16. Ici encore, Gold a un resultat plus puissant.
17. compatible signie simplement que itoutes les phrases de I+ sont acceptees (donc que l'automate est correct et
complet (voir au chapitre 3) et toutes celles de I; rejetees. C'est un synonyme de (( coherent )).
C'est-a-dire qu'il n'existe vraisemblablement pas d'algorithme qui puisse resoudre ce probleme
en un temps polynomial en fonction du nombre d'etats de A(L). Mais cela n'empêche pas de
chercher des heuristiques qui permettent de trouver en un temps raisonnable un automate de
bonne qualite (au sens du protocole abbadingo, par exemple).
7.2.5 L'inference grammaticale et l'apprentissage PAC

Nous avons vu dans la section precedente les resultats negatifs concernant l'identication a
la limite proposee par Gold. Nous allons presenter d'autres resultats dans le cadre PAC (voir
le chapitre 2). Bien que tres contraignant 18 , ce cadre est interessant car il possede des versions
aaiblies dans lesquelles l'approximation des langages reguliers est possible polynomialement
par presentation complete.
7.2.5.1 Apprentissage PAC

Le cadre PAC original propose par Valiant [Val84c] a subi de nombreuses adaptations et
extensions depuis sa creation [BEHW89, Hau88, KV89, Pit89, KV89]. Nous presentons ici la
version proposee par Pitt [Pit89] qui est adaptee a l'inference de langages reguliers (plus par-
ticulierement, dans cette version, Pitt considere que les langages reguliers sont representes par
des automates nis deterministes (DFA)).
Nous rappellons ici une description informelle du modele PAC, puis nous en donnons une
version adaptee a l'inference grammaticale. Rappelons que ce concept a ete decrit au chapitre
2.
Soit L un langage deni sur . Soit h un concept appris sur L. On dit que h est correct 19
pour L si, pour tout mot u de , h arrive a dire si u appartient ou non a L. On dira que h est
approximativement correct si la probabilite qu'il classe mal un mot est (( petite )).
Un algorithme d'apprentissage est correct (respectivement approximativement correct) si
pour tout langage L deni sur , le concept qu'il apprend est correct (respectivement approxi-
mativement correct) pour L.
On dit qu'un algorithme d'apprentissage est probablement approximativement correct si la
probabilite qu'il apprenne un concept approximativement correct est grande.
Valiant a formalise cette notion intuitive en creant le critere PAC : Probablement Approxi-
mativement Correct. Cette premiere version ne prend pas en compte la complexite temporelle et
spatiale necessaire a l'inference. Lorsque le temps d'apprentissage n'est pas pris en compte, ce
critere est trop permissif et considere que l'apprentissage d'algorithmes triviaux est satisfaisant.
Nous allons donner maintenant la version formelle de l'apprentissage PAC polynomial (aussi
appelee poly-PAC) comme l'a deni Pitt [Pit89].
Denition 7.23 (Identication PAC [Pit89])
Soit M un DFA de taille 20 n.
Soient et deux reels strictement positifs.
Soit une distribution de probabilites D denie sur les cha^nes de de taille au plus p.
18. Ce cadre est contraignant dans le sens ou il impose des resultats quelle que soit la distribution de probabilites
selon laquelle les exemples sont distribues.
19. Dans les autres chapitres, en particulier 2 3 4, le mot (( coherent )) a ete employe. Nous gardons ici provisoirement
(( correct )) pour faire la transition avec l'apprentissage PAC .
20. Le critere classiquement utilise pour mesurer la taille d'un DFA est le nombre de ses etats.
Soit un algorithme (eventuellement aleatoire) A qui prend en entree un ensemble de mots

tires conformement a la distribution D et etiquetes correctement par M .
Soit l le nombre d'exemples obtenus par A.
A PAC -identie les DFA si, quel que soit M , quel que soit D, quel que soit m, A produit
un DFA M 0 en temps polynomial en n, p, l, 1 , 1 , jj tel que 21 :
; X
Pr PrD (x) < > 1 ;
x2L(M )L(M 0 )
On est ici dans le cas de l'apprentissage d'un concept sur un ensemble ni, puisque la taille
des phrases est bornee par p. Un resultat supplementaire sur les automates nis permet de
considerer ce cas comme raisonnable dans un contexte d'approximation : pour tout > 0, il
existe un entier p tel que la probabilite qu'une cha^ne de longueur superieure a p soit tiree est
inferieure a .
7.2.5.2 Comparaison de l'apprentissage PAC et de l'identication a la limite
Quelques points de comparaison entre ces deux methodes peuvent être soulignes :
L'identication a la limite impose de retrouver exactement une representation du langage
cible. Le cadre PAC pour sa part se contente d'une approximation de la cible.
L'identication a la limite ne pose aucune contrainte sur la complexite calculatoire des
algorithmes alors que l'approximation PAC demande la polynomialite de l'inference en
fonction de la precision, de la tolerance imposee au resultat ainsi que de la taille de la cible
et celle de , et d'une borne sur la plus grande cha^ne.
L'identication a la limite ne garantit d'aucune maniere la vitesse de convergence alors que
l'approximation PAC impose que la precision de l'inference soit dependante de la quantite
de donnees.
Enn, le critere de Valiant amene la notion de distribution de probabilites des exemples
qui n'existait pas dans le critere de Gold. Il impose cependant que l'approximation soit
garantie quelle que soit la distribution D alors que dans le cadre de l'identication a la
limite, l'identication doit se faire pour toute presentation.
7.2.6 Resultats PAC pour les langages reguliers
Il existe nombre de resultats negatifs concernant l'identication PAC. Le resultat qui va
nous interesser principalement a ete demontre par Kearns et Valiant [KV89] : ils ont prouve
que la PAC -identication polynomiale, independamment de la representation 22 de la classe des
automates nis deterministes acycliques de taille est un probleme NP-dicile.
Pitt et Warmutt ont montre que le probleme qui consiste a retrouver un automate polyno-
mialement plus grand que le plus petit DFA compatible avec les donnees etait NP-dicile. Ils
montrent de plus que la taille du vocabulaire prend part a la diculte de l'inference :
Theoreme 7.4 ([PW93])
Le probleme suivant est NP-dicile : etant donne une constante k et des exemples positifs et
negatifs denis sur un alphabet , jj = 2, existe-t-il un DFA comportant au plus nk etats
compatible avec les donnees, avec n la taille du plus petit automate compatible.
21. Le symbole designe la dierence symetrique de deux langages et jj est la taille de l'alphabet.
22. L'apprentissage independant de la representation consiste a laisser a l'algorithme le choix de la representation :
AFN , AFD, grammaire, etc.
Si l'on considere que la taille de l'alphabet n'est pas donnee mais fait partie du probleme,
on a :
Theoreme 7.5 ([PW93])
Quelle que soit la constante > 0, il n'existe pas d'algorithme polynomial permettant de determiner
s'il existe un automate compatible avec les donnees de taille n(1;) log log n .
Les principales variations du cadre PAC portent sur des restrictions sur la classe des distri-
butions des exemples. Le principe est de donner a l'algorithme de (( bons )) exemples. Ce peut
être fait soit en denissant un professeur qui choisit les exemples en fonction de la cible, soit
en imposant des contraintes sur la distribution de probabilites : l'algorithme est alors presque
assure de travailler avec des donnees caracteristiques de la cible. Deux idees qui vont dans ce
sens ont ete proposees par Denis et al. [DDG96] d'une part et par Denis et Gilleron [DG97]
d'autre part. La premiere approche se conforme au principe qui stipule que les exemples les plus
simples doivent être preferes. Le deuxieme point de vue propose que l'enseignant choisisse des
exemples an de faciliter l'apprentissage. Nous allons presenter maintenant ces deux approches.
7.2.7 Apprentissage PACS : PAC Simple

Le modele PACS (PAC Simple) propose par Denis et al. [DDG96] a pour but de donner a
l'algorithme d'apprentissage des exemples qui sont en adequation avec la cible. Ils denissent
donc un professeur qui construit un ensemble d'apprentissage en fonction de la cible. Un autre
professeur (( adversaire )) ou arbitre ajoute ensuite des exemples de son choix a l'ensemble
d'apprentissage an d'eviter une collusion complete entre l'enseignant et l'apprenant. Le systeme
demeure cependant d'une certaine maniere potentiellement collusif. Dans ce modele, etant donne
une cible r, les exemples donnes a l'algorithme d'apprentissage, (c'est-a-dire les exemples simples)
sont ceux qui ont une complexite de Kolmogorov etant donne r faible. Plus formellement, si on
note K (jr) la complexite de Kolmogorov 23 du mot etant donne r, l'ensemble d'apprentissage
r
deni pour un DFA r sera : Ssimple = f 2 : K (jr) < log(jrj)g, ou est une constante.
Resultats
Denis et al. [DDG96] ont montre que dans ce modele les langages k-reversibles (voir au
paragraphe 7.4.1) etaient identiables.
Par ailleurs, Parekh et Honavar [PH97] ont montre que les DFA de taille N , N connu et xe,
etaient probablement exactement identiables dans le modele PACS. Ce resultat est plus fort
que la PACS-apprenabilite au sens ou l'identication de l'automate cible peut se faire avec une
grande probabilite. Plus precisement, ils ont montre que l'echantillon caracteristique necessaire
a l'identication a la limite de l'algorithme RPNI 24 etait present avec une probabilite superieure
a 1 ; , lorsque l'on se place dans le cadre PACS ayant pour critere de conance .
La faiblesse principale de ce cadre de travail est qu'il suppose la possibilite du calcul de la
complexite de Kolmogorov (voir le chapitre 17). C'est donc un cadre purement theorique. Sa
deuxieme faiblesse est la diculte d'interdire une collusion entre oracle et apprenant, c'est-a-dire
le codage de l'hypothese dissimule dans les exemples. Conscients de ce probleme, certains des
auteurs se sont tournes vers une approche plus realiste en pratique.
23. Pour une etude de la complexite de Kolmogorov, le lecteur pourra consulter [LV97].
24. Il sera question en detail de cet algorithme au paragraphe 7.5.4.
7.2.8 Apprentissage PAC avec distributions bienveillantes

Denis et Gilleron ont propose [DG97] une adaptation de cadre PAC : l'apprentissage PAC
avec des distributions bienveillantes.
Cette approche aaiblit le cadre PAC en operant une restriction sur l'ensemble des dis-
tributions de probabilites selon lesquelles les exemples sont tires. La classe de distributions
bienveillantes est denie en fonction de la cible que l'algorithme doit identier.
Informellement, un exemple utile est un exemple dont la taille est polynomiale en la taille
de la cible. Une distribution bienveillante est une distribution telle que tous les exemples utiles
ont une probabilite non nulle. Par ailleurs, on peut supposer que plus les exemples auront une
probabilite faible, plus l'inference sera dicile a realiser. C'est pourquoi les auteurs ajoutent
un parametre de complexite au modele PAC : l'algorithme d'inference devra être polynomial en
l'inverse de plus petite probabilite des exemples rencontres.
Resultats
Denis et Gilleron montrent [DG97] d'une part que la classe des DFA denis sur n, n xe
et connu, est PAC -identiable sous distributions bienveillantes.
La preuve est basee sur la propriete d'identication a la limite de l'algorithme RPNI [OG92a].
Elle consiste a construire un echantillon d'apprentissage a partir d'un enseignant et a montrer
qu'un tel ensemble d'apprentissage contient probablement l'echantillon caracteristique.
Par ces deux approches, on apprehende maintenant mieux la diculte de denir la notion
d'apprentissage d'un automate. Le probleme consiste a poser des contraintes sur les exemples
que l'on donne a l'apprenant et a travers lui, sur la distribution de probabilites sur les exemples.
Si on ne fait aucun presuppose sur la pertinence des exemples (cadre PAC classique), le cadre
est trop contraignant et des algorithmes qui inferent correctement en pratique n'apprennent pas
dans ce cadre. Si on propose de donner des exemples pertinents (cadre PACS et cadre PAC sous
distributions bienveillantes) on ne peut eviter le probleme de la collusion.
7.3 L'espace de recherche de l'inference reguliere

7.3.1 Le point de la situation
Nous avons deni l'inference reguliere comme la recherche d'un automate A inconnu a par-
tir duquel un echantillon positif I+ est suppose avoir ete genere. E tant donnee l'hypothese
supplementaire de completude structurelle de I+ relativement a l'automate A, nous allons main-
tenant preciser la denition de ce probleme comme une exploration dans un ensemble structure
construit sur I+ .
Nous revenons maintenant a un protocole de presentation tout a fait classique : l'algorithme
d'apprentissage dispose de l'ensemble des exemples positifs et negatifs et tout renseignement
supplementaire par un oracle est interdit.
Nous avons vu au paragraphe 7.1.1 un certain nombre de denitions et de notions formelles.
Rappelons-les rapidement avant de les utiliser pour construire cet ensemble structure.
A partir d'un echantillon positif I+, on peut construire deux automates particuliers qui
n'acceptent que lui : MCA(I+ ) et PTA(I+ ). Le second est un automate derive du premier.
A partir d'un automate A quelconque, on peut construire d'autres automates par l'operation
de derivation : chaque etat d'un automate derive de A est la fusion d'un certain nombre
d'etats de A.
Un automate derive de A reconna^t un langage qui inclut L(A).
L'ensemble des automates derives d'un automate A forme le treillis Lat(A).
Un echantillon est structurellement complet par rapport a un automate s'il est representatif
du langage qu'il accepte.
Nous disposons maintenant de tout le materiel technique pour denir l'ensemble de toutes
les solutions d'un probleme d'inference reguliere.
7.3.2 Deux proprietes fondamentales
Un premier theoreme nous assure que, sous le biais de la completude structurelle, l'ensemble
des hypotheses compatibles avec l'echantillon est exactement le treillis construit sur MCA(I+ ).
Theoreme 7.6
Soit I+ un echantillon positif d'un langage quelconque regulier L et soit A n'importe quel au-
tomate acceptant exactement L. Si I+ est structurellement complet relativement a A alors A
appartient a Lat(MCA(I+ )). Reciproquement, si un automate A appartient a Lat(MCA(I+ ))
alors I+ est structurellement complet relativement a A.
Le second theoreme assure que l'on peut reduire l'espace de recherche si on cherche l'automate
canonique d'un langage.
Theoreme 7.7
Soit I+ un echantillon positif d'un quelconque langage regulier L et soit A(L) l'automate cano-
nique acceptant L. Si I+ est structurellement complet relativement a A(L) alors A(L) appartient
a Lat(PTA(I+ )).
De plus, nous pouvons enoncer une propriete d'inclusion entre ces deux treillis:
Propriete 7.5
Lat(PTA(I+)) Lat(MCA(I+ ))
Cette propriete decoule directement de la denition 7.16 du PTA(I+ ) qui est un automate
quotient du MCA(I+ ). De plus, comme le treillis Lat(PTA(I+ )) est generalement strictement
inclus dans le treillis Lat(MCA(I+ )), rechercher une solution dans Lat(PTA(I+ )) au lieu de
Lat(MCA(I+ )) permet de considerer un espace de recherche plus restreint.
0
a 1
b 2
Fig. 7.13 { Un automate pour lequel l'echantillon fabg n'est pas structurellement complet.
En guise d'illustration, considerons l'exemple suivant. Conformement a la denition 7.14,

l'echantillon I+ = fabg n'est pas structurellement complet relativement a l'automate A de la
gure 7.13, ou q1 et q2 sont des etats d'acceptation. L'etat 1, qui est nal, n'est l'etat d'ac-
ceptation d'aucune phrase de I+ . Pour cette raison, l'automate A ne peut pas être derive du
MCA(I+ ) et evidemment pas non plus du PTA(I+). Il n'est pas possible de denir une parti-
tion de l'ensemble des etats QMCA telle que A corresponde a MCA(I+ )= avec q1 2 FMCA= .
Au contraire, l'echantillon fab; ag est structurellement complet relativement a l'automate A qui
peut donc être derive du MCA, ou du PTA associes a cet echantillon.
7.3.3 La taille de l'espace de recherche
Grâce aux resultats presentes a la section 7.3.2, nous savons que si nous disposons d'un
echantillon positif I+ d'un langage inconnu L, avec I+ structurellement complet relativement a
un automate inconnu A acceptant exactement L, alors nous pouvons deriver A pour une certaine
partition de l'ensemble des etats du MCA(I+ ). Nous pouvons des lors considerer l'inference
reguliere comme un probleme de recherche de la partition .
Mais l'exploration de cet espace n'est pas un probleme facile : sa taille est le nombre de
partitions jP (N )j d'un ensemble a N elements ou N est ici le nombre d'etats de l'element nul
du treillis, c'est-a-dire PTA(I+ ) ou MCA(I+ ): Ce nombre cro^t plus qu'exponentiellement en
fonction de N . A titre d'exemple, jP (10)j = 105 , jP (20)j = 51013 , jP (30)j = 8:5 1023 ...
7.4 L'inference reguliere sans echantillon negatif

E tant donne un echantillon positif I+ d'un langage regulier L, nous avons a denir le critere
qui guidera la recherche de l'automate A acceptant I+ . En particulier, le MCA(I+ ) et le
PTA(I+) acceptent tous deux l'echantillon positif. Cependant, ils n'acceptent aucune autre
phrase du langage L et, donc, ne generalisent pas l'information contenue dans les donnees d'ap-
prentissage.
Nous savons, par la propriete 7.1, que n'importe quel automate derive du MCA(I+ ) accepte
un langage incluant I+ . En ce sens, n'importe quel automate appartenant a Lat(MCA(I+ ))
constitue une generalisation possible de l'echantillon positif. Conformement au resultat de Gold
presente a la section 7.2.2, nous savons qu'il n'est pas possible d'identier la classe entiere des
langages reguliers a partir d'un echantillon positif seulement. En particulier, aucun exemple
positif ne peut eviter une surgeneralisation eventuelle de l'inference. En d'autres termes, si une
solution proposee par un algorithme d'inference correspond a un langage incluant strictement le
langage a identier, aucun exemple positif ne peut contredire cette solution.
Pour eviter le risque de surgeneralisation, deux approches sont classiquement utilisees. La
premiere possibilite consiste a rechercher la solution dans une sous-classe particuliere des lan-
gages reguliers ; il s'agit alors d'une methode caracterisable. La seconde possibilite consiste a
utiliser une information a priori pour guider la generalisation recherchee, le propre des methodes
heuristiques.
7.4.1 Une methode caracterisable : l'inference de langages k-reversibles
Angluin a propose une methode d'inference qui identie a la limite a partir d'une presentation
positive la classe des langages k-reversibles, pour k quelconque mais xe a priori [Ang82a]. Nous
detaillons ci-apres les principales notions necessaires a la denition de cette methode d'inference.
Denition 7.24
L'automate inverse Ar = (Q; ; r ; F; I ) d'un automate A = (Q; ; ; I; F ) est deni comme
suit :
8q 2 Q; 8a 2 ; r (q; a) = fq0 2 Qjq 2 (q0 ; a)g:
Par consequent, l'automate inverse Ar est obtenu en inversant les etats 25 d'entree et de sortie de
l'automate original A, et en inversant egalement le sens des transitions de A. Nous presentons
a la gure 7.14 un exemple d'automate et son inverse.
b b
2
b 4 4
b 2
c a a c
0
a b c 5 5
c b a 0
1
b 3 3
b 1
Fig. 7.14 { L'automate A et son inverse Ar .
Denition 7.25

Un automate A = (Q; ; ; q0 ; F ) est deterministe avec anticipation k si 26
8q 2 Q; 8x 2 ; jxj > k; j (x; q)j 1:
Par consequent, un automate est deterministe avec anticipation k si, lors de l'acceptation d'une
cha^ne quelconque, il existe au plus un etat auquel cette acceptation peut mener en anticipant
de k lettres par rapport a la position courante dans la cha^ne. Un AFD est deterministe avec
anticipation 0. L'automate Ar de la gure 7.14 est deterministe avec anticipation 1.
Denition 7.26
Un automate A est k-reversible s'il est deterministe et si son inverse Ar est deterministe avec
anticipation k.
Denition 7.27
Un langage L est k-reversible s'il existe un automate k-reversible qui l'accepte.
L'algorithme k-RI 27 consiste a partir de l'accepteur des prexes de l'echantillon positif puis
a fusionner des etats, c'est-a-dire a denir un nouvel automate quotient, tant que la condition de
k-reversibilite est violee. Angluin [Ang82a] a demontre que cet algorithme permettait d'identier
la classes des langages k-reversibles et qu'il produisait, pour I+ et k xe, l'automate canonique
du plus petit langage k-reversible incluant I+ . Nous presentons a la gure 7.15 un exemple
d'execution de l'algorithme k-RI avec I+ = fab; bb; aab; abbg et k = 1.
La fonction k-reversible (A=) renvoie V RAI si l'automate quotient A= est k-reversible, elle
renvoie FAUX sinon. La fonction non-reversible (A=; ) renvoie deux blocs distincts de , tels
que la condition de k-reversibilite ne soit pas veriee pour les deux etats associes dans A=. La
fonction deriver (A; 0 ) renvoie l'automate quotient de A conformement a la partition 0 :
25. Nous avons deni a la section 7.1, les automates nis comme comprenant un seul etat d'entree et un ensemble
d'etats de sortie. Ces automates permettent de representer un langage regulier quelconque. La generalisation aux
automates comportant un ensemble d'etats d'entree est triviale.
26. designe l'extension classique a Q ! 2Q , de la fonction de transition :
27. L'abreviation k-RI provient de la terminologie anglaise pour k-Reversible Inference.
b
b 2 5
0
a
1
b 4
b 7 b 2 b
a 0 b 5,7
a
1
a 3
b 4,6
3
b 6 b
a
b
2 b b
b
0 a 1,3 b
a
b
a 3 4,5,6,7
1 0 2,4,5,6,7
b
b
Fig. 7.15 { Exemple d'execution de l'algorithme k-RI, avec I+ = fab; bb; aab; abbg.
Algorithme 7.1 Algorithme k-RI
Entree : k, l'ordre du modele, I+ , l'echantillon positif
Sortie : Ak , un automate canonique acceptant le plus petit langage k-reversible incluant I+
fN designe le nombre d'etats de PTA(I+)g
ff0g; f1g; : : : ; fN ; 1gg fUn bloc par etat du PTA(I+ )g
A PTA(I+ )
tant que :(k-reversible (A=)) faire
(B1 ; B2 ) non-reversible (A=; )
nfB1 ; B2 gU fB1 UB2 g fFusion du bloc B1 et du bloc B2 g
n tant que
A=
Rappelons qu'il est prouve que cette methode identie a la limite la classe des langages
k-reversibles pour k donne.
7.4.2 Une methode heuristique : l'algorithme ECGI
L'algorithme ECGI est une methode d'inference heuristique concue pour extraire l'informa-
tion sur la longueur de sous-cha^nes des elements de I+ et de la concatenation de ces sous-cha^nes.
Cet algorithme est incremental, c'est-a-dire qu'il mesure une (( distance )) entre un nouvel exemple
et le modele existant et adapte le modele conformement. Le langage accepte par la grammaire
inferee inclut I+ ainsi que d'autres cha^nes obtenues par concatenation de sous-cha^nes des
elements de I+ .
Nous reprenons la description de l'algorithme ECGI tel qu'il a ete formellement presente
dans [RV88, RPV89a]. La representation utilisee est celle des grammaires regulieres. Nous illus-
trons egalement son fonctionnement a l'aide de la representation equivalente en automates.
Propriete 7.6
L'algorithme ECGI produit une grammaire G = (N; ; P; S ) reguliere, non deterministe, sans
cycle 28 et qui verie la condition suivante :
8A; B; C 2 N; 8b; a 2 si (B ! aA) 2 P et (C ! bA) 2 P alors b = a.
En d'autres termes, le même lettre de l'alphabet terminal est associee avec toutes les produc-
tions ayant le même non-terminal en partie droite. Cela permet d'associer les terminaux aux
etats plutôt qu'aux arcs de l'automate equivalent.
Denition 7.28
A toute production dans P , sont associes les regles d'erreur suivantes :
Insertion de a : A ! aA; 8(A ! bB ) 2 P; 8a 2
Substitution de b par a : A ! aB; 8(A ! bB ) 2 P; 8a 2
A ! a; 8(A ! b) 2 P; 8a 2
Suppression de b : A ! B; 8(A ! bB ) 2 P; 8a 2
A ! ; 8(A ! b) 2 P; 8a 2
Denition 7.29
La grammaire etendue G0 = (N 0 ; ; P 0 ; S ) de G est la grammaire obtenue en ajoutant les regles
d'erreurs a P .
Denition 7.30
La derivation corrective optimale de 2 est la derivation de , conformement a la grammaire
G0 et qui utilise un nombre minimal de regles d'erreurs.
L'algorithme ECGI construit d'abord la grammaire canonique acceptant la premiere cha^ne
de I+ . Ensuite, pour chaque nouvel exemple , la derivation corrective optimale est calculee et la
grammaire est etendue conformement a cette derivation 29 . Elle produit la sequence optimale de
regles correctes (celles deja presentes dans la grammaire) et de regles d'erreur pour l'acceptation
de . Nous presentons a la gure 7.16 un exemple d'execution de l'algorithme ECGI prenant
en entree l'echantillon I+ = faabb; abbb; abbab; bbbg et en representant chaque grammaire par
un automate associe. Les etats et transitions en pointilles correspondent a l'extension de la
grammaire a chaque etape.
b 3 b
0
a 1 4
b 5
a a b b a b
0 1 2 3 4 2
a 2 b a 5 b
b 3 b a 5 b 4 6
b b b
a a 1
3
0 1 4 6
a b b 0
2 b
Fig. 7.16 { Exemple d'execution de l'algorithme ECGI, avec I+ = faabb; abbb; abbab; bbbg.
28. Une grammaire est sans cycle si quel que soit le non terminal A, aucune phrase engendree a partir de A n'est
de la forme xA, avec x 2 + . En pratique, cela revient a dire que l'automate correspondant ne comporte pas de
boucle et donc que le langage engendre est ni.
29. Cette derivation est obtenue par une procedure d'analyse corrective qui constitue une application de l'algorithme
de programmation dynamique (voir le chapitre 3 pour les generalites et le chapitre 13 pour une application
particuliere de la programmation dynamique: l'algorithme de Viterbi).
Algorithme 7.2 Algorithme ECGI
Donnees d'entree : I+
Sortie : Une grammaire G compatible avec I+ et veriant la propriete 7.6
x I+1 ; n jxj
N fA0 ; : : : ; An;1 g ; fa1 ; : : : ; ang
P f(Ai ! aiAi); i = 1; : : : ; n ; 1g [ fAn;1 ! ang
S A0 ; G1 (N; ; P; S )
pour i = 2 a jI+j faire
G Gi;1 ; x I+i ;P 0 deriv optim (x; Gi;1 )
pour j = 1 a P 0 faire
G etendre gram (G; pj )
n pour
Gi G
n pour
Retourner G
La fonction deriv optim (x; Gi;1 ) renvoie la derivation corrective optimale de la cha^ne x conforme-
ment a la grammaire Gi;1 . La fonction etendre gram (G; pj ) renvoie la grammaire etendue
conformement a la regle d'erreur pj .
Supposons que nous disposions desormais d'un echantillon negatif I; du langage inconnu
L. Dans ce cas, nous savons que nous pouvons, en principe, identier a la limite au moins
n'importe quel langage regulier (voir section 7.2.2). L'inference peut être alors consideree comme
la decouverte d'un automate A compatible avec les echantillons positif et negatif, c'est-a-dire tel
que I+ L(A) et I; \L(A) = . Il existe un grand nombre d'automates compatibles appartenant
a Lat(MCA(I+ )). MCA(I+ ) satisfait ces conditions mais ne generalise pas l'echantillon positif.
Par consequent, nous pouvons chercher une solution plus generale sous le contrôle de l'echantillon
negatif.
Si nous choisissons la simplicite de l'automate infere comme critere de generalite et que

nous restreignons la recherche a des automates deterministes, la solution cherchee est alors
l'AFD compatible et comportant le nombre minimal d'etats. Il s'agit du probleme du plus petit
AFD compatible, deja evoque plus haut (paragraphe 7.2.3). Nous avons vu qu'il n'existe pas
d'algorithme polynomial resolvant ce probleme dans tous les cas. Cependant, on peut trouver
un algorithme polynomial qui permet, en general, de trouver une solution quasi exacte. Nous
detaillons cet algorithme a la section 7.5.4. Deux autres algorithmes seront abordes ensuite. An
de comparer ces trois algorithmes et d'etudier le probleme du plus petit AFD compatible, nous
poursuivons la caracterisation de l'espace de recherche introduite a la section 7.3.
7.5 L'inference reguliere sous contrôle d'un echantillon negatif
7.5.1 L'ensemble frontiere
La notion d'ensemble frontiere permet de denir un sous-espace interessant de solutions a
un probleme d'inference avec contre-exemples.
Denition 7.31
Une anticha^ne AS dans un treillis d'automates est un ensemble d'automates tel qu'aucun
element de AS n'est relie par la relation de derivation avec un autre element de AS .
Denition 7.32
Un automate A est a une profondeur maximale dans un treillis d'automates s'il n'existe pas,
dans ce treillis, d'automate A0 , dierent de A, tel que A0 puisse être derive de A et tel que
L(A0 ) \ I; = .
Denition 7.33
L'ensemble frontiere BSMCA(I+ ; I; ) est l'anticha^ne dont chaque element est a une profondeur
maximale dans Lat(MCA(I+ )).
Propriete 7.7
L'ensemble frontiere BSPTA(I+ ; I; ) contient l'automate canonique A(L) de tout langage regulier
L dont I+ est un echantillon positif et I; un echantillon negatif.
Par consequent, l'ensemble frontiere du treillis construit sur MCA(I+ ) est l'ensemble des
automates les plus generaux compatibles avec l'echantillon positif et l'echantillon negatif. D'autre
part, le probleme du plus petit AFD compatible se ramene a decouvrir le plus petit AFD
appartenant a l'ensemble frontiere du treillis construit sur PTA(I+ ).
7.5.2 Le lien avec l'espace des versions
Compte tenu de sa construction a partir de I+ puis de son elagage par I; , le treillis des solu-
tions est un cas particulier de l'espace des versions decrit au chapitre 4. On peut considerer sim-
plement que le PTA(I+ ) est l'unique generalisation la plus specique, donc que S = fPTA(I+ )g.
En revanche, il existe plusieurs solutions plus generales, qui ne sont autres que les elements de
l'ensemble frontiere : G = BSMCA(I+ ; I; ). Tout element du treillis qui peut se transformer en
element de BS par fusion d'etats est une solution. L'inference grammaticale ajoute un biais pour
trouver une des solutions de l'espace des versions : chercher un automate sur BS , donc tel que
toute fusion de deux de ses etats conduise a l'acceptation d'exemples negatifs. C'est donc une
heuristique de simplicite qui est adoptee, conformement au principe du rasoir d'Occam (voir au
chapitre 3 le paragraphe 3.4.7) et au principe MDL.
7.5.3 Les algorithmes RIG et BRIG
E tant donne des echantillons positif I+ et negatif I; , il est facile, par un algorithme nomme
RIG 30 [MdG94], de construire completement BSMCA (I+ ; I; ). Cet algorithme procede par enu-
meration des automates derives du MCA(I+ ), c'est-a-dire des partitions dans Lat(MCA(I+ )).
Il s'agit d'une enumeration en largeur a partir de l'element nul du treillis des partitions, le
30. L'abreviation RIG provient de la terminologie anglaise pour Regular Inference of Grammars.
MCA(I+ ). Cette enumeration ne conserve que les automates compatibles a chaque profondeur
dans le treillis. Par la propriete 7.1 d'inclusion des langages, nous pouvons eectuer un elagage
par heritage, qui consiste a eliminer tous les automates a la profondeur i + 1 qui derivent
d'au moins un automate non compatible a la profondeur i. Ensuite, les automates restant a la
profondeur i +1 subissent un elagage direct qui consiste a eliminer les automates non compatibles
a cette profondeur. Finalement, l'ensemble frontiere est obtenu en memorisant tous les automates
compatibles et qui ne possedent aucun derive compatible. La solution proposee par l'algorithme
RIG est, par exemple, le premier automate deterministe rencontre a la profondeur maximale
de l'ensemble frontiere, mais l'algorithme RIG peut egalement fournir comme solution tout
l'ensemble frontiere (comme le ferait l'algorithme de l'elimination des candidats dans la methode
de l'espace des versions).
La complexite de RIG etant non polynomiale 31, une version heuristique, nomme BRIG, a
ete proposee [MdG94]. Elle consiste a ne considerer qu'une petite proportion des partitions,
generee aleatoirement. Cette selection aleatoire permet de garantir, en pratique, une complexite
polynomiale et de construire un sous-ensemble du BS . L'algorithme BRIG est clairement de
nature heuristique car il n'existe pas de caracterisation de la classe de langages qu'il identie (son
caractere aleatoire implique que dierentes executions partant des mêmes donnees ne conduisent
pas necessairement au même resultat).
7.5.4 L'algorithme RPNI
7.5.4.1 Une exploration ecace du treillis
L'algorithme RPNI [OG92b] eectue une recherche en profondeur dans Lat(PTA(I+ )) et
trouve un optimum local au probleme du plus petit AFD compatible. Nous savons que l'iden-
tication d'un langage regulier L par exploration du treillis des partitions du PTA(I+ ) n'est
envisageable que si l'on suppose la completude structurelle de I+ relativement a l'automate
canonique A(L). Sous cette hypothese, l'algorithme RPNI est particulierement ecace.
Par construction du PTA(I+ ) (voir denition 7.16), chacun de ses etats correspond a un
prexe unique et les prexes peuvent être tries par ordre lexicographique 32 <. Cet ordre s'ap-
plique donc egalement aux etats du PTA(I+ ): L'algorithme RPNI procede en N ; 1 etapes ou
N est le nombre d'etats du PTA(I+ ): La partition a l'etape i est obtenue en fusionnant les deux
premiers blocs, par ordre lexicographique, de la partition a l'etape i ; 1 et qui, de plus, donne
lieu a un automate quotient compatible.
L'automate quotient A=0 peut être non deterministe. La fonction determ fusion (A=0 ) realise
la fusion pour determinisation en renvoyant la partition 00 obtenue en fusionnant recursivement
tous les blocs de 0 qui creent le non-determinisme 33. Si A=0 est deterministe, la partition 00
est egale a la partition 0 .
Si l'automate deterministe ainsi obtenu est correct pour I; , c'est-a-dire s'il n'en accepte
aucun echantillon, alors RPNI est relance a partir de cette solution provisoire. Pour conserver
31. Dans le pire des cas, aucun elagage par I ; n'est eectue. Dans ce cas, l'algorithme RIG explore tout le treillis des
partitions. Malgre un elagage eectif par l'echantillon negatif, il a ete observe experimentalement que la complexite
de RIG reste non polynomiale en fonction de N , le nombre d'etats du MCA(I+) [MdG94].
32. L'ordre lexicographique sur les cha^nes de , correspond a un ordre par longueur des cha^nes et, pour une
longueur donnee, a l'ordre alphabetique. Par exemple, pour l'alphabet fa; bg, les premieres cha^nes dans l'ordre
lexicographique sont : ; a; b; aa; ab; ba; bb; aaa; aab : : :
33. L'operation de fusion pour determinisation d'un AFN ne doit pas être confondue avec l'algorithme classique
de determinisation d'un AFN, qui a pour objet de produire un AFD acceptant le même langage [AU72].
Conformement a la propriete 7.1, l'AFD obtenu par fusion des etats d'un AFN accepte, en general, un surlangage
de l'AFN dont il provient.
Algorithme 7.3 Algorithme RPNI
Entree : I+ ; I;
Sortie : Une partition du PTA(I+ ) correspondant a un AFD compatible avec I+ etI; fN
designe le nombre d'etats de PTA(I+ )g
ff0g; f1g; : : : ; fN ; 1gg
A PTA(I+ )
pour i = 1 a N ; 1 faire
pour j = 0 a i ; 1 faire
0 nfBj ; Bi gU fBi UBj g ; fFusion du bloc Bi et du bloc Bj g
00 determ fusion (A=0 )
si A=00 correct(I; ) alors
00 ;
n si
n pour
n pour
Retourner A A= ;
l'ordre lexicographique, quand un etat est fabrique par fusion et correspond donc a un bloc
d'etats du PTA, il prend alors le rang de l'etat du PTA de rang le plus faible dans ce bloc.
La solution proposee par l'algorithme RPNI est un automate deterministe appartenant au
BSPTA(I+ ; I;). Par la propriete 7.5.1, nous savons qu'il s'agit de l'automate canonique pour le
langage qu'il accepte. Cependant, il ne s'agit du plus petit AFD compatible que si les donnees
d'apprentissage satisfont une condition supplementaire, c'est-a-dire contiennent un echantillon
dit caracteristique, formellement deni dans [OG92b]. En d'autres termes, lorsque les donnees
d'apprentissage sont susamment representatives, la decouverte de l'automate canonique du
langage a identier est garantie. De plus, cet automate est egalement la solution du probleme
du plus petit AFD compatible, dans ce cas particulier. Les auteurs ont demontre que la taille
d'un echantillon caracteristique propre a cet algorithme est O(n2 ) ,ou n est le nombre d'etats
de l'automate cible [OG92b]. La complexite calculatoire de l'algorithme RPNI, dans sa derniere
version publiee, est O((jI+ j + jI; j) jI+ j2 ).
Il est de plus demontre [TB73b] que si l'echantillon d'apprentissage contient toutes les cha^nes
de longueur inferieures a 2k ; 1 ou k est le nombre des etats de l'automate cible alors, l'iden-
tication est garantie. Mais cette propriete est ne : si l'ensemble d'apprentissage contient toutes
les cha^nes sauf une partie inme de l'ensemble caracteristique, alors, l'identication n'est plus
garantie [Ang78b].
7.5.4.2 Un exemple
Partons des ensembles I+ = f; ab; aaa; aabaa; aaabag et I; = faa; baa; aaabg. L'automate
PTA(I+) est represente sur la gure 7.17, en haut. Il possede dix etats.
L'algorithme RPNI commence par fusionner deux etats. En l'absence d'autre indication
les etats 0 et 1 sont choisis. Ceci conduit a un indeterminisme, puisque l'etat f0; 1g mene
desormais a lui-même et a l'etat 2 par une transition a. La procedure de fusion pour
determinisation est donc appellee.
{ Elle fusionne d'abord l'etat f0; 1g avec l'etat 2. Mais ceci amene deux autres indeter-
b a
a 4 6 8
a 2 b
a a a
0 1 b 5 7 9
3
b a a
{0,1,2,4} {3,5,6} {7,8} {9}
a a a
{0,3} {1,5} {2,6,7} {4,8,9}
b b b
Fig. 7.17 { Exemple d'execution de l'algorithme RPNI. En haut, PTA(I+ ), avec I+ =

f; ab; aaa; aabaa; aaabag. Au centre, le resultat de la fusion des etats 0 et 1 suivie
de la procedure de fusion pour determinisation. Cet automate n'est pas une solution
puisqu'il accepte au moins une phrase (ici, les trois) de I; = faa; baa; aaabg. En
bas, l'automate obtenu comme solution.
minismes : f0; 1; 2g mene a 4 et a lui-même par a, mais aussi a 5 et 3 par b.

{ Elle poursuit en fusionnant f0; 1; 2g avec 4 et en fusionnant 5 avec 3. Il reste un nouvel
indeterminisme : f0; 1; 2; 4g mene par b a f3; 5g et 6.
{ Elle fusionne derechef ces deux derniers etats, ce qui mene a un automate deterministe
(gure 7.17, au milieu).
Cet automate accepte la phrase aa dans I; . On doit donc remettre en question la fusion
initiale des etats 0 et 1.
L'etape suivante est de fusionner les etats 0 et 2, puis de proceder a la fusion par determini-
sation. Ici aussi, l'automate obtenu accepte une phrase de I; .
En revanche, l'etape suivante, la fusion de 0 et 3, mene a un automate coherent avec I+
et I; , dont on sait qu'il est sur le BS . C'est cette solution qui est retenue (gure 7.17, en
bas).
Le langage reconnu peut s'exprimer comme (( l'ensemble des phrases dont le nombre de a moins le
nombre de b vaut 0 modulo 3 )). L'echantillon a ete choisi comme l'un des plus petits possibles qui
soit caracteristique de ce langage, ce qui explique qu'on puisse l'inferer avec si peu d'information.
7.5.5 Variantes et extensions
La plupart des algorithmes ecaces d'inference reguliere sont actuellement des variations sur
RPNI . La faiblesse de celui-ci est en eet d'imposer un ordre arbitraire aux essais successifs des
fusion d'etats du PTA (ceux-ci sont ranges dans l'ordre lexicographique du prexe correspondant
dans le PTA). Les algorithmes plus ecaces fusionnent de preference les deux etats les plus
(( prometteurs )) avant d'appliquer la fusion pour determinisation. Ce terme est evidemment
empirique, mais il existe des heuristiques experimentalement ecaces pour le denir. On trouvera
les details dans [LPP98].
Un certain nombre d'autres possibilites ont ete developpees, comme le travail dans un espace
d'automates non deterministes, ou l'inference par ssion (en partant de l'automate universel).
Citons egalement ici, pour anticiper sur le chapitre 8 un algorithme heuristique, nomme
GIG 34 , qui optimise par un algorithme genetique la recherche d'une solution optimale, c'est-a-
dire a la profondeur maximale. Il fait evoluer dans Lat(PTA(I+ )) une population d'automates
derives du PTA(I+ ), par le biais d'operateurs speciques de mutation et de croisement. Une
technique analogue est aussi evoquee dans ce même chapitre : les strategies d'evolution, qui gerent
des populations d'automates.
7.6 L'inference de grammaires algebriques.

7.6.1 Presentation
Comme on l'a vu aux paragraphes precedents, l'inference des grammaires regulieres est un
probleme bien formalise, possedant (si l'on admet le biais de la completude structurelle) un cadre
algorithmique clair. Ce n'est pas le cas de l'apprentissage des grammaires algebriques. On peut
donner deux raisons a cet etat de fait :
Les grammaires regulieres sont un (( tout petit )) sous-ensemble des grammaires algebri-
ques. L'espace de recherche d'un concept a partir d'exemples est donc beaucoup plus grand
pour ces dernieres.
On ne dispose pas pour les grammaires algebriques d'une relation d'ordre qui permettrait
de parcourir un treillis ni de solutions et de pratiquer un elagage systematique.
Ce second point est relie au fait que la representation en automates nis, presque systema-
tiquement utilisee pour l'inference reguliere, n'a pas d'equivalent commode pour les grammaires
algebriques. Les algorithmes qui ont ete proposes visent donc pour la plupart a contourner ces
problemes, soit en denissant des sous-classes de grammaires algebriques ou l'on pourra appliquer
des algorithmes du type de ceux utilises pour les grammaires regulieres, soit en enrichissant la
presentation des exemples par un oracle (voir le chapitre 2). Nous presenterons brievement une
methode de chaque type. La bibliographie de ce chapitre renvoie a des references plus completes
sur ce sujet dicile.
7.6.2 L'apprentissage a partir d'echantillons structures.
Cette famille de methodes [CR71], [Sak90] suppose que l'echantillon d'apprentissage (po-
sitif seulement) est compose non seulement de phrases, mais egalement pour chacune d'elles
d'indications sur la facon dont la phrase a ete engendree par la grammaire a trouver. Cette hy-
pothese forte permet de mettre en uvre un algorithme qui produit une grammaire compatible
avec l'echantillon, en introduisant un nombre minimal de concepts ; en consequence, l'espace
de recherche est implicitement restreint et les grammaires trouvees appartiennent a une stricte
sous-famille des langages algebriques.
Plus precisement, l'echantillon d'apprentissage est constitue de phrases structurees par un
parenthesage representant leur arbre de derivation [AU72]. Par exemple, la grammaire G :
1. S ! a,
34. L'abreviation GIG provient de la terminologie anglaise pour Grammatical Inference by Genetic search.
2. S ! a + S
engendre la phrase : x = a + a + a par l'arbre de derivation de la gure 7.18. Sous forme
! !!#!#Scc
2 !!##
regle!! cc
a +
##Scc
regle##
2 cc
a + S
regle 1
a
Fig. 7.18 { L'arbre de derivation de la phrase a + a + a par la grammaire G.
structuree, cette phrase s'ecrit : x = (a + (a + (a)))

Cette contrainte sur l'echantillon revient a supposer que chaque partie droite de regle de la
grammaire qui a engendre cet echantillon est encadree par une paire de parentheses, et donc
qu'elle appartient a un sous-ensemble des grammaires algebriques ; ce sous-ensemble est strict.
L'algorithme que nous presentons [Sak90] infere des grammaires algebriques reversibles, dont
la denition formelle est la suivante :
Denition 7.34
Une grammaire algebrique G = (V; ; P; S ) est reversible quand, pour tous non-terminaux A, B
et C et toutes sequences , et de V :
s'il y a dans P deux regles A ;! et B ;! , alors A = B , et
s'il y a dans dans P deux regles A ;! B et A ;! C , alors B = C
Nous donnons cet algorithme sur un exemple. Soit :
I+ = f((ab)(c)); ((a(ab)b)(c(c))); ((ab)(c(c)))g
La grammaire suivante est d'abord produite : elle ne genere que l'echantillon.
S ;! AB B ;! c
A ;! ab C ;! aC 0 b
S ;! CD D ;! cD0
C 0 ;! ab S ;! EF
D0 ;! c F ;! cF 0
E ;! ab F 0 ;! c
On va proceder a une generalisation par fusion de non-terminaux. Pour preserver la nature
reversible de la grammaire inferee, les non-terminaux B , D0 et F 0 sont fusionnes en B , et A, C 0
et E sont fusionnes en A, ce qui amene la grammaire suivante :
S ;! AB A ;! ab
B ;! c S ;! CD
C ;! aAb D ;! b
S ;! AF F ;! cB
De nouveau, il faut fusionner trois non-terminaux : D et F et B en B , et dans la grammaire
resultante, encore fusionner A et C en A. Finalement, on obtient :
S ;! AB A ;! ab
A ;! aAb B ;! c
B ;! cB
Cette grammaire reconna^t le langage fam bm cn j m; n 1g.
7.6.3 Les methodes par exploration.
Une autre tactique consiste a denir un espace de solutions et a y proceder par cheminement
heuristique. C'est tout a fait comparable aux methodes d'inference reguliere sans echantillon
negatif, a ceci pres que l'espace de recherche n'est pas deni en pratique de maniere aussi
structuree que le treillis des automates nis.

Ces methodes fonctionnent en reduisant implicitement a chaque etape l'ensemble des solu-
tions restantes par modication directe des regles de la grammaire solution courante ; chaque
etape correspond a la presentation d'un element de l'un des ensembles d'apprentissage.
La diculte est de disposer d'operateurs de modications des regles qui soient coherents
avec cette demarche. Une premiere approche a ete proposee par VanLehn et Ball [VB87] : ils
ont deni un espace de recherche, montre comment leurs operateurs permettaient de trouver la
grammaire cherchee (si un echantillon susant etait presente) et traite les aspects principaux
de l'enumeration des solutions dans l'optique de l'espace des versions (chapitre 4) ; mais les
exemples d'applications qu'ils citent sont tres simples, en raison de la nature elementaire des
operateurs de modication employes. D'autres travaux cherchent a utiliser toute la puissance de
la methode generale de l'espace des versions et menent a des resultats plus generaux [Gio93].
7.6.4 Une methode avec oracle.
Cette methode utilise une propriete des grammaires algebriques : le lemme de la double etoile.
On peut l'enoncer informellement comme suit :
Propriete 7.1
Pour toute phrase x assez longue d'un langage algebrique L , il existe une decomposition x =
uvwyz telle que :
8k 0; uvk wyk z 2 L
Le principe de la methode est donc de supposer que l'echantillon possede assez de phrases
longues pour aider a decouvrir les sous-cha^nes v et y, et donc inferer des regles recursives de la
forme
A ;! vAz j w
Pour reduire l'espace de recherche, on suppose avoir a sa disposition un oracle (voir le
paragraphe 7.2.4), capable de repondre par oui ou non a la question posee par le programme au
cours de l'inference : (( Soit la phrase x ; appartient-elle au langage engendre par la grammaire a
trouver? ))
A partir de ces deux hypotheses, un algorithme a ete presente par Gonzales et Thomason
[GT78]. Sa complexite depasse de beaucoup celle de son analogue en grammaires regulieres 35 ,
compte tenu de deux problemes : d'une part, la combinatoire de decomposition est beaucoup plus
35. Il n'a pas ete presente ici, voir par exemple la reference [Mic76a].
importante (ce qui n'est qu'en partie corrige par l'usage d'un oracle) ; d'autre part, la decouverte
d'une recursion n'induit pas directement la grammaire.
Cette methode est une generalisation et une actualisation des (( ancêtres )) de l'inference gram-
maticale, l'algorithme de Chomsky et Miller [CM57a] pour les langages reguliers et son extension
aux langages algebriques par Solomono [Sol59]. Elle partage avec elles deux caracteristiques
fondamentales : la recherche des recursions comme heuristique de base et l'utilisation d'un oracle.
7.6.5 L'inference de grammaires lineaires equilibrees

Citons maintenant un algorithme qui concerne une sous-classe des grammaires algebriques.
Denition 7.35
Une grammaire lineaire equilibree est caracterisee par des regles de la forme : A ! uBv j w
avec : u; v; w 2 ; A; B 2 N et : j u j=j v j ;
Un langage lineaire equilibre est tel qu'il existe une grammaire lineaire equilibree qui l'en-
gendre.
La famille de ces langages algebriques est strictement superieure a celle des langages reguliers.
Takada [Tak88] utilise la notion suivante :
Denition 7.36
Un langage est dit engendre par une grammaire G = (V; ; S; P ) sous le contrôle d'un
sous-ensemble C 2 P quand toutes ses phrases se derivent de S par une suite de regles de
P formant un element de C .
Le sous-ensemble C peut être vu comme un langage sur P : il peut donc être regulier,
algebrique, etc.
La methode construit d'abord une certaine grammaire GL, lineairement equilibree universelle
(autrement dit telle que L(GL ) = X ), et utilise la propriete suivante :
Propriete 7.2
Pour tout langage lineaire equilibre L, il existe un unique sous- ensemble regulier C 2 P tel
que L soit engendre par GL sous le contrôle de C.
Le probleme de l'inference d'une grammaire lineairement equilibree peut alors se ramener a
celui de la construction d'un ensemble de contrôle eventuellement inni, mais regulier ; Takada
propose un algorithme general d'inference de ces grammaires dont la partie inductive peut être
composee a partir de n'importe quel algorithme d'inference reguliere.
7.7 Quelques extensions

7.7.1 Les grammaires stochastiques
Nous avons traite jusqu'ici des algorithmes d'apprentissage de concept sous la forme d'une
grammaire. Pour toute phrase sur , on sait decider si elle appartient ou non au langage
engendre par une grammaire reguliere ou algebrique. L'espace de representation est donc partage
en deux par un concept grammaire. Une extension de l'inference grammaticale consiste a etudier
l'apprentissage de grammaires stochastiques.
Une grammaire stochastique est constituee comme une grammaire ordinaire, mais a chaque
regle est associee une probabilite d'application, chaque non-terminal ayant une probabilite totale
de 1 d'être applique. Par exemple, la grammaire suivante est reguliere stochastique :
0:8
S ;! aA
0:2
S ;! a
0:6
A ;! bA
0:4
A ;! b
Elle correspond a l'automate ni stochastique de la gure 7.19
b [0.6]
a [0.8] A b [0.4]
S F
a [0.2]
Fig. 7.19 { Un automate ni stochastique.
La probabilite d'une phrase par rapport a une grammaire se calcule comme la somme, sur
toutes les facons possibles que cette phrase a d'être emise par la grammaire, du produit des
probabilites des regles utilisees. Par exemple, la phrase abbb ne peut être acceptee par l'automate
0 :8 0:6 0:6 0:4
de la gure 7.19 que par la succession de transitions S ;! A ;! A ;! A ;! F : il n'y a qu'une
seule facon de l'emettre. Sa probabilite est : 0:8 0:6 0:6 0:6 0:4 = 0:0069. On la notera
ici : abbb[0:0069]. De même, la phrase bb, non acceptee par l'automate, a une probabilite nulle :
bb[0].
Sous certaines conditions, on peut assurer qu'une grammaire stochastique est consistante 36 ,
c'est-a-dire qu'elle denit une distribution de probabilites sur . Toujours dans notre exemple,
le langage engendre peut s'ecrire :
fa[0:2]g [ fabn[0:8 0:6n;1 0:4] j n 1g
On peut verier que la grammaire proposee est consistante.
Un echantillon d'inference stochastique est constitue d'un ensemble de phrases muni de
frequences d'apparition. On peut donc aussi le considerer comme un multiensemble de sequences.
Par exemple, le multiensemble:
fa; ab; ab; ab; abb; abb; abbbbg
peut se recrire :
fa[ 71 ]; ab[ 37 ]; abb[ 27 ]; abbbb[ 17 ]g
Pour en rester au cas regulier, l'inference consiste donc a apprendre un automate ni sto-
chastique a partir d'un tel echantillon d'inference.
36. L'emploi de ce mot est ici sans ambigute.
Nous ne rentrerons pas ici dans le detail des methodes. Donnons le principe commun a
plusieurs d'entre elles ([CO94], [Car97], [JP98], [TD]), qui est une generalisation de la technique
RPNI (sans exemples negatifs) expliquee au paragraphe 7.5.4.
On construit le PTA stochastique, qui genere au maximum de vraisemblance l'echantillon
d'apprentissage stochastique.
Le processus de generalisation est la fusion d'etats.
Quand deux etats sont fusionnes, il faut recalculer les probabilites associees a ses transitions
de sortie de maniere a garantir la consistance du langage accepte.
Le choix des deux etats a fusionner se fait par exemple en cherchant a maximiser la
ressemblance entre la distribution de probabilites sur l'echantillon et celle donnee sur
par l'automate obtenu ou sur un test statistique.
Comme il n'y a pas de contre-exemple, l'arrêt du processus doit se faire par un critere empi-
rique, qui etablit un compromis entre la complexite de l'automate infere et son adequation
avec l'echantillon.
Notons qu'il existe une extension stochastique de l'algorithme ECGI qui permet d'inferer
une grammaire reguliere stochastique par une procedure incrementale en une seule passe sur
l'echantillon positif [CM99]. En eet, les probabilites associees aux productions de la grammaire
peuvent être mises a jour par comptage de la frequence d'utilisation des regles lors de l'analyse
corrective de chaque nouvelle cha^ne.
7.7.2 Le point de vue connexionniste
Terminons cette section en ouvrant un apercu sur un certain nombre de travaux qui portent
sur l'utilisation de reseaux connexionnistes en inference grammaticale, habituellement a partir
d'echantillons positif et negatif. Le principe de cet apprentissage ne correspond pas au cadre
classique de l'inference tel que nous l'avons presente. Cependant une equivalence theorique entre
certains reseaux connexionnistes et les automates nis deterministes a ete demontree.
L'idee est d'utiliser l'apprentissage par reseaux connexionnistes (voir le chapitre 10) ayant
pour entrees des sequences et non plus des vecteurs de IRd . Il faut pour cela utiliser des archi-
tectures plus complexes que celles des reseaux multicouches. Parmi les nombreuses variantes, les
reseaux connexionnistes recurrents, et les reseaux d'ordre 2 ont ete utilises pour approcher le
comportement d'automates nis. Des extensions de ces modeles ont ete proposees an d'approxi-
mer les automates a piles qui sont equivalents aux grammaires algebriques. Une bonne reference
recente sur ces sujets est [SG98].

L'inference grammmaticale est desormais a la convergence de plusieurs domaines qui se sont
developpes plus ou moins independamment :
l'algorithmique d'apprentissage pour la reconnaissance structurelle des formes [Fu74] ;
la theorie de l'apprentissage [Pit89] ;
les sciences cognitives .
Les algorithmes actuels sont tres puissants. RPNI et ses derives sont capables d'apprendre des
automates de plusieurs centaines de milliers d'etats a partir d'echantillons de tres grande taille.
Ceci permet de representer des concepts aussi complexes que des modeles de la langue ecrite. Le
developpement des algorithmes d'inference stochastiques a parallelement permis l'apprentissage
de concepts qui ressemblent a celui dont l'echantillon provient. Les applications sont desormais
d'une grande variete et d'une grande ecacite. Citons en vrac comme domaines d'application :
les biosequences ([AM97], [BC97]) ;
la structure des textes electroniques ([AMN94], refyoun99) ;
le traitement du langage naturel ([Vid94a]) ;
la traduction automatique ([CGV94]) ;
la reconnaissance de la parole (([CM99]) ;
l'etude des styles musicaux ([CAVR98]) ;
la reconnaissance des caracteres manuscrits ([LVA+ 94]) ;
la compression de donnees ([NMWM94]).
La theorie de l'inference grammaticale reguliere est particulierement bien decrite dans [Pit89].
L'analyse algebrique de l'espace de recherche a ete decrite dans [DMV94]. Les performances des
algorithmes sont detailles dans [LPP98]. Les deux articles [Sak97] et [Lee96] decrivent par-
ticulierement l'inference de grammaires algebriques, tandis que [TD99] est assez complet sur
l'inference stochastique. Une partie du texte de ce chapitre est repris de [DM98] et de [Dup96].
On trouvera dans les articles bibliographiques des references a des techniques du même
type qui permettent l'apprentissage de transducteurs (des automates nis qui transforment des
sequences en d'autres sequences), a des grammaires d'arbres, a des grammaires de formes bidi-
mensionnelles, etc.
Le site internet : http://www.univ-st-etienne.fr/eurise/gi/gi.html est tres complet
sur l'inference grammaticale. Il renvoie en particulier a des bibliographies thematiques et a des
textes de presentation.
On doit aussi citer, dans un registre voisin, les travaux de D. Osherson, P. Adriaans, etc.
([OSW86]) qui s'interessent a l'apprentissage de fonctions recursives.
Resume
L'inference grammaticale apprend un concept a partir d'exemples positifs et
negatifs de sequences.
En general, ces concepts sont des automates nis : ce sont des modeles simples,
mais tres utiles.
La theorie et les algorithmes de l'inference grammaticale sont des themes riches
et actifs en apprentissage.
Des extensions existent pour les automates stochastiques, certains types de
transducteurs et des modeles grammaticaux plus complexes, comme les gram-
maires d'arbres.
244
Chapitre 8
Apprentissage par evolution simulee
La recherche d'une bonne hypothese est generalement tres dicile car les espaces
d'hypotheses sont de taille considerable, souvent innie, et que la fonction d'evaluation
y est generalement irreguliere. C'est pourquoi il est avantageux de disposer soit d'une
structure forte sur H, comme c'est le cas lorsque l'on peut utiliser une relation de
generalite entre hypotheses, soit de connaissances a priori sur le domaine permet-
tant de contraindre la recherche. A defaut de quoi, on est condamne a recourir a
des methodes d'exploration plus faibles, telle les methodes de gradient plus ou moins
sophistiquees (comme le recuit simule).
Les algorithmes evolutionnaires occupent une place intermediaire. Le principe est de
faire une recherche dans l'espace H en utilisant une population d'hypotheses que l'on
fait evoluer selon les recettes de l'evolution naturelle : en utilisant des operateurs
genetiques de croisement et de mutation, et en selectionnant les meilleurs individus
pour engendrer la generation suivante d'hypotheses. D'un côte, on peut considerer
qu'il s'agit la d'une sorte de methode de gradient stochastique utilisant une popu-
lation plutôt qu'une seule hypothese. De l'autre, on peut aussi voir ces algorithmes
comme des methodes d'exploration guidees car elles decouplent l'espace d'hypotheses
en l'espace d'hypotheses proprement dit et un espace (( genotypique )) dans lequel des
operateurs d'evolution guident la recherche de meilleures hypotheses.
C'est en raison de ces deux visages que nous avons place l'expose de ces methodes a la
charniere de la partie sur l'apprentissage par exploration (guidee) et de la partie sur
l'apprentissage par optimisation (utilisant des methodes de gradient). Cette dualite
les rend tres attrayantes et importantes a conna^tre. Elles sont d'un large emploi
dans les applications.
246
es canards ne sont pas tous sauvages. Certains sont domestiques et modies a des
L ns alimentaires ou esthetiques. Pour ce faire, les eleveurs (( creent )) des races par
des manipulations genetiques naturelles, essentiellement par des croisements visant a
ameliorer tel ou tel critere sur l'oiseau : sa qualite gustative, la quantite de sa ponte
ou certains aspects de son apparence. Voici deux exemples de ce que l'on peut lire dans une
encyclopedie recente des animaux domestiques 1 :
Canard Kaki Campbell. Cette race doit son nom a une eleveuse anglaise du Gloucestershire,
Mrs Campbell, qui la crea en 1901 a partir de canard sauvage, de Coureur indien brun
et blanc et peut-être d'Orpington. On attribue a une eleveuse, Mme Flamencourt, les
premieres selections francaises dans les annees 1920.(...) La cane est utilisee en croisement
avec des mâles Pekin pour la production de canards dits Nantais.
Canard Huppe. Mutation du canard fermier. Les sujets les mieux huppes ont ete selectionnes
par des eleveurs seduits par cette singularite an de creer un standard.

On voit donc que l'homme peut utiliser avec succes les principes darwiniens de la selection pour
optimiser sa production domestique. Il est moins certain que l'on puisse considerer l'evolution
naturelle comme une optimisation, non pas parce que les especes existantes sont ratees, mais
parce que le critere que la Nature chercherait a optimiser est dicile a formuler et peut-être
inexistant. Restons donc sur l'idee que, etant donne un animal cible, il est parfois possible
de fabriquer un animal proche de cette cible, en utilisant des croisements et en protant des
mutations naturelles.
En quoi cette constatation peut-elle être utile a l'apprentissage? D'abord, comme on l'a vu,
l'apprentissage articiel est etroitement relie a l'optimisation, soit sous la forme de l'exploration
d'un espace structure, soit par l'utilisation de proprietes analytiques. Ensuite, puisqu'il est pos-
sible de modier avec une grande rapidite (quelques dizaines de generations) le code genetique
d'animaux complexes dans une direction choisie, on peut se demander si une modelisation in-
formatique de ce code et la programmation d'une technique singeant l'evolution naturelle ne
seraient pas une bonne technique d'optimisation.
Cette question a ete posee des les annees 1960 et la reponse a ete positive sous plusieurs
angles. D'abord, les algorithmes dits genetiques, fondes sur l'idee precedente, ont connu un
grand succes dans l'optimisation de fonctions compliquees et peu regulieres, au prix cepen-
dant d'un temps important de calcul. Plus interessant pour l'apprentissage, de plus en plus
independamment de la metaphore biologique, des techniques d'evolution de code, au sens infor-
matique cette fois, ont ete developpees. C'est ce que l'on appelle la programmation genetique.
Le but de ce chapitre est de presenter un point de vue unie sur ces techniques et d'en montrer
la puissance et l'interêt pour l'apprentissage articiel.
1. A. Raveneau : Inventaire des animaux domestiques en France (bestiaux, volailles, animaux familiers et de rapport).
Nathan, 1993.
Chapitre 8 Apprentissage par evolution simulee 247
Notations utiles pour ce chapitre
pmut Probabilite de mutation d'un bit
pcrois Probabilite de croisement
PH (t) Population d'hypotheses dans H a l'instant t.
PG (t) Population de genomes dans G a l'instant t.
N Taille de la population PG
La fonction de performance (tness function)
t Le nombre d'individus participant a un tournoi
L La longueur des cha^ne de bits des genomes de G
n(s; t) Nombre de genomes representants le schema s dans la population PG (t)
8.1 Trois espaces au lieu de deux

Jusqu'a present, a l'exception du chapitre 6, l'apprentissage a ete aborde comme un jeu entre
deux espaces :
{ l'espace des exemples X , correspondant au monde a decrire et a interpreter. L'objectif
de l'apprentissage se traduit souvent par une fonction de risque permettant d'evaluer la
qualite de la description apprise du monde ;
{ l'espace des hypotheses H, correspondant a l'espace des descriptions du monde ou encore
des modeles ou theories.
Le but de l'apprentissage est de trouver une, ou plusieurs, bonne(s) description(s) du monde X
dans H. De ce fait, l'espace des hypotheses est charge de trois missions :
1. Il doit realiser un biais adequat, c'est-a-dire pouvoir decrire les modeles du monde perfor-
mants dans l'application visee, tout en etant susamment limite dans son expressivite pour
que l'induction soit possible et peu coûteuse en terme de taille d'echantillon de donnees.
Ce prerequis a ete largement analyse dans le chapitre 2.
2. Il doit aussi correspondre a un langage d'expression des hypotheses LH aussi intelligible que
possible s'il est desirable qu'un expert humain puisse interpreter ce qui est appris, y compris
pour orienter le systeme apprenant. C'est pourquoi, quand c'est possible, on preferera
souvent un apprentissage de regles plutôt qu'un apprentissage par reseau connexionniste,
dont le resultat est plus dicile a interpreter.
3. Finalement, il doit posseder une topologie favorisant une exploration ecace, c'est-a-dire
telle qu'elle permette d'atteindre une hypothese ou une combinaison d'hypotheses quasi
optimale avec un coût d'exploration limite. En general, l'exploration se fait par modica-
tion des hypotheses courantes par l'emploi d'operateurs syntaxiques simples operant sur
l'expression des hypotheses dans le langage LH . Le probleme est de trouver des operateurs
permettant d'atteindre n'importe quel point de H a partir de n'importe quel autre point
(propriete de completude) et conduisant naturellement aux regions de H les plus promet-
teuses.
Ces trois missions ne sont pas forcement faciles a remplir simultanement. Il n'est generalement
pas facile de trouver un langage LH a la fois limite du point de vue du biais inductif, mais
expressif et intelligible, tout en possedant des proprietes syntaxiques favorisant l'exploration.
Pourquoi alors ne pas decoupler ces objectifs? C'est ce que realisent les algorithmes d'evolution
simulee.
L'idee est la suivante : a l'espace des hypotheses H est associe un autre espace appele, pour
des raisons de similarite avec les mecanismes de l'evolution naturelle, espace (( genotypique ))
x
h = π(g)
- -
+ - -
- +
- - + -
+
+
+
+ H
+
+ - +
- -
-
- -
- X
x
g
G
Fig. 8.1 { L'induction est ici realisee par un jeu entre trois espaces : d'abord l'espace des
exemples X , ensuite l'espace des hypotheses H dans lequel est cherchee une descrip-
tion adequate de X , et enn l'espace (( genotypique )) G dans lequel s'eectuent les
operations permettant l'exploration de H.
et note G . Lorsqu'il faut changer d'hypothese ht dans H, on prend l'expression genotypique

associee gt dans G a laquelle on fait subir des operateurs de modication pour obtenir de nou-
velles expressions gt+1 correspondant a de nouvelles hypotheses ht+1 qui sont alors testees pour
mesurer leur performance dans le monde X . Ce cycle d'evaluation des hypotheses dans H et de
modication via G se deroule jusqu'a ce qu'une bonne hypothese soit trouvee ou qu'il soit decide
de consacrer les ressources computationnelles a d'autres tâches, y compris eventuellement a une
autre passe d'apprentissage en partant de conditions initiales dierentes (voir la gure 8.1).
Le decouplage des missions devolues a l'espace des hypotheses avec un espace special dedie
a la mission d'exploration est une idee interessante. Le probleme est d'identier les espaces G
appropries. Plusieurs ecoles se sont developpees en concurrence depuis les annees 1960, chacune
armant avoir identie le bon espace G avec ses operateurs associes. Se distinguent :
{ Les algorithmes genetiques developpes par John Holland a partir des annees 1960 et ana-
lyses en profondeur en 1975 [Hol75]. Holland a ainsi propose une analyse theorique, le
(( th
eoreme des schemas )), montrant selon lui la superiorite d'un espace genotypique decrit
dans un langage de cha^nes de bits. Les references a la metaphore de l'evolution naturelle
sont les plus explicites dans ce travail et le principe general de ces algorithmes a servi de
standard pour les autres approches.
{ Les strategies d'evolution developpees par Rechenberg et Schwefel en 1965 pour la resolution
de problemes d'optimisation de structures mecaniques. Cette ecole preconise l'utilisation
de IR pour l'espace genotypique.
{ La programmation evolutive, developpee par Fogel a partir de 1966, etudie l'exploration
d'un espace d'automates a etats nis (FSA) pour decrire certains types de fonctions et de
programmes.
{ La programmation genetique, defendue avec force par Koza depuis 1992, promeut l'usage
d'un espace d'arbres decrivant des programmes dans un langage adequat (par exemple des
expressions du langage Lisp).
Si les applications et les idees de developpement sont foisonnantes pour l'ensemble de ces
approches, les arguments theoriques expliquant leur fonctionnement et demontrant la superiorite
de l'une d'entre elles sur les autres sont encore au stade exploratoire. Beaucoup reste donc a
faire dans ce domaine.
Apres une description generique de ces approches, ce chapitre etudie brievement tour a
tour les quatres familles de methodes decrites ci-dessus. Une idee interessante qui s'impose
naturellement avec ces approches d'evolution simulee est celle de populations d'hypotheses se
developpant en symbiose. Ce phenomene est appele (( coevolution )). Ce chapitre se termine par sa
description et par les perspectives ouvertes vers le developpement d'(( ecologies )) d'hypotheses,
c'est-a-dire des theories (au sens de fragments de connaissance organises), plutôt que sur la
recherche d'une hypothese unique.
An de souligner l'idee essentielle, selon nous, du passage par un espace dedie a la mission
d'exploration, nous appellerons ces familles de techniques (( algorithmes operant sur le genotype ))
ou encore AG. Nous devons avertir le lecteur que cela est original et qu'en general on parle plutôt
d'algorithmes d'evolution simulee (ES), tandis que l'acronyme AG est reserve a l'approche des
algorithmes genetiques.
8.2 Un modele formel simplie de l'evolution

Cette section introduit les concepts fondamentaux communs aux algorithmes operants sur
le genotype ainsi que l'algorithme d'apprentissage general.
8.2.1 Le jeu entre H et G
Nous considerons desormais que l'espace des hypotheses H est couple a un espace geno-
typique G . Quelle est la nature de ce couplage? Notons la relation liant G a H. En general,
il ne s'agit pas d'une bijection qui associe a chaque h un unique g. S'il y a en eet toujours
surjection : chaque hypothese h est l'image par d'au moins un element g 2 G (H etant le plus
souvent deni par reference a G : H = (G )), il n'y a pas necessairement injection : plusieurs
elements g pouvant être projetes sur une même hypothese h. On parlera donc a raison de dualite
entre G et H, mais ce sera par abus de langage que l'on parlera de couple (g; h).
Dans cette dualite (G , H), la repartition des rôles est la suivante :
{ La mesure de performance s'eectue dans H : on mesure la valeur d'une hypothese donnee
en la confrontant, par l'intermediaire d'une fonction de risque, appelee ici mesure de per-
formance (tness function), aux donnees d'apprentissage fournies dans X . On notera
cette fonction de performance : : H X ! IR.
{ La variation concommittante a l'apprentissage s'eectue dans G . En reponse a la mesure de
performance attachee a (gt ) = ht , le systeme calcule un ou plusieurs nouveaux elements
gt+1 correspondant a une ou plusieurs nouvelles hypothese(s).
8.2.2 L'apprentissage comme processus d'evolution d'une population
Ce processus d'apprentissage par jeu entre un espace H d'individus se mesurant a l'envi-
ronnement et un espace G responsable du calcul de nouveaux individus a ete en grande partie
in uence par la metaphore de l'evolution des especes telle que decrite par Darwin en 1859
[Dar59]. C'est pourquoi on qualie souvent l'espace H de phenotypique : celui ou s'expriment
les traits des individus dont le genotype est decrit dans G , l'espace genotypique. Par ailleurs,
les methodes d'apprentissage issues de cette metaphore utilisent souvent une population d'indi-
vidus pour realiser l'apprentissage plutôt qu'un individu unique. Dans ce cas, on considere une
population PG (t) d'elements de G a l'instant t qui, en fonction des performances des hypotheses
de la population PH (t) associee, determine une nouvelle population PG (t + 1) a l'etape suivante.
On a alors le processus schematise dans la gure 8.2 et dont les etapes du cycle general sont les
suivantes :
Ph(t) = π(Pg(t))
x
Ph(t-1)x
- - x
Ph(t+1)
+ - -
- +
- - + -
+
+
+
+ P(H)
+
+ - +
- -
-
- -
- x x
Pg(t-1) x Pg(t+1)
X
Pg(t)
P(G)
Fig. 8.2 { Le processus general d'apprentissage par l'utilisation d'un espace genotypique. Nous
avons note ici P (H) et P (G ) des espaces de populations d'hypotheses et de genomes.
De ce fait, dans ce schema, il faut comprendre Ph(t) et Pg(t) respectivement comme
une population d'hypotheses a l'instant t et une population de genomes a l'instant t.
Ces populations evoluent en cours de recherche.
E tape 1 Expression : une population PG (t) 2 G est projetee dans l'espace phenotypique H
par l'application : PH (t) = (PG (t)).
Etape 2 Mesure de la performance : la population d'hypotheses est evaluee, en general par
une evaluation individuelle de chaque hypothese, grâce a la fonction qui utilise les
donnees d'apprentissage. Cela evalue implicitement la population PG (t).
E tape 3 Selection d'une operation de variation de PG (t) : en fonction de l'evaluation de
la population PH (t), le systeme selectionne l'operation de variation qui va transformer
la population PG (t).
E tape 4 Variation : l'operation de variation selectionnee a l'etape precedente est appliquee a
PG (t) pour obtenir la nouvelle population PG (t + 1).
Ce cycle est repete jusqu'a ce qu'une population PH (t) obtienne une evaluation jugee satisfai-
sante (par exemple la meilleure hypothese h 2 PH (t) ne change plus ou tres peu du point de vue
de sa performance), ou jusqu'a ce qu'une borne de ressources computationnelles soit atteinte.
Nous allons illustrer ce processus general en etudiant le cas des algorithmes genetiques.
8.3 Les algorithmes genetiques

Les algorithmes genetiques ont ete popularises par John Holland en 1975 grâce a son livre
Adaptation in natural and articial systems (reedite en 1992) [Hol75]. Dans ce travail, Holland
cherche a utiliser la metaphore de l'adaptation naturelle des especes par variation et selection
dans le but de realiser automatiquement une adaptation optimale a l'environnement. A cet eet,
Holland met en avant quatre principes:
1. la dualite entre un espace genotypique charge des operations de variation d'une generation
a la suivante et un espace phenotypique dans lequel se produit la selection ;
2. un codage des elements de G par un alphabet discret, a l'instar de l'alphabet a quatre lettres
de l'ADN (Holland milite pour un alphabet binaire pour des raisons theoriques qui seront
etudiees a la section 8.3.6) ;
3. une variation entre generations assuree par des operateurs genetiques, en particulier sexues ;
4. le concept de primitives (building blocks) dans le code genetique qui se combinent pour
assurer des interactions complexes necessaires a la construction d'hypotheses sophistiquees.
Nous avons decrit l'idee fondamentale de dualite dans l'introduction de ce chapitre. Tournons-
nous maintenant vers le probleme du codage utilisant un alphabet binaire.
8.3.1 La representation dans l'espace genotypique

Les algorithmes genetiques standards (car il y a des mutants, evidemment) utilisent une
representation dans l'espace des genotypes G , ou encore des genomes, par des cha^nes de bits
de longueur xe. Par exemple, chaque hypothese de H pourrait être associee a un genome
de longueur 12 bits, permettant ainsi de representer 212 individus. Du point de vue pratique,
l'interêt de ce type de representation est qu'il se prête a des operateurs de modication simples
(voir section 8.3.4). Le theoreme des schemas (voir section 8.3.6) revendique une justication
theorique de l'emploi de representations binaires.
La question est de savoir comment choisir la representation adequate pour le probleme etudie.
Cela implique un choix delicat de la taille de la representation : plus celle-ci est grande, plus le
nombre d'hypotheses representables est eleve, mais plus aussi l'exploration de G et donc de H
peut être coûteuse. Generalement, le choix du codage par des bits est lie a celui des operateurs de
modication des genomes, dans la mesure ou il faut eviter qu'un operateur puisse, en (( cassant ))
les primitives du codage, engendrer des genomes ne corespondant a aucune hypothese valide.
8.3.2 L'algorithme generique

L'algorithme genetique standard regle l'evolution d'une population de genomes sous la pres-
sion selective des performances des hypotheses correspondantes dans H. Il est dans ses grandes
lignes decrit par les etapes de l'algorithme 8.1.
Algorithme 8.1 Algorithme genetique standard.
1. Initialisation de la population PG (0).
2. E valuation de la population courante PG (t) par un calcul de la performance de chaque
hypothese h associee a chaque genome g 2 PG (t).
3. Selection des meilleurs genomes de PG (t) qui vont devenir les (( procreateurs )) de la
generation suivante PG (t + 1).
4. Modication des procreateurs par des operateurs genetiques et obtention de (( descen-
dants )).
5. Remplacement de la population courante par les individus resultant des operations
genetiques de l'etape 4.
6. Tant que le critere d'arrêt n'est pas satisfait, retour en 2.
Nous allons aborder ces dierentes etapes une par une.

8.3.3 L'initialisation de la population

La plupart des algorithmes operant sur le genotype organisent l'exploration de l'espace G
(donc indirectement de H) en s'appuyant sur une population d'individus qui evoluent en essayant
de maximiser la performance mesuree dans H. Deux questions decoulent de cette technique :
d'abord, quelle est la taille optimale de la population pour favoriser l'exploration ecace de G ,
ensuite, comment initialiser les individus de la premiere generation PG (0)?
Aucune de ces deux questions n'a de reponse theorique bien etablie, et le choix de ces deux
parametres est donc souvent le resultat de jugements plus ou moins eclaires sur la nature du
probleme etudie.
La taille de la population de genomes, generalement xe au cours du deroulement de l'al-
gorithme et notee N , est frequemment de l'ordre de plusieurs centaines d'individus dans les
algorithmes genetiques. En eet, les justications theoriques de ces algorithmes indiquent qu'il
faut des populations tres grandes (idealement innies) pour que l'algorithme fonctionne optima-
lement. Cela est aussi souhaitable pour conserver une bonne diversite a la population, permettant
ainsi d'echapper aux optima locaux. Inversement, les considerations pratiques de coût compu-
tationnel militent pour l'emploi de populations de taille limitee, sous peine de ne pas pouvoir
repeter susamment les etapes necessaires a l'evolution de la population.
Par ailleurs, le choix de la population initiale s'eectue souvent par un tirage aleatoire sur
chaque bit des cha^nes constituant les individus de G . Cependant, si des connaissances a priori
sont disponibles sur le probleme, il est possible de biaiser la population initiale en selectionnant
des individus representant des hypotheses prometteuses. Il faut cependant se meer de ne pas
pour autant trop amoindrir la diversite genetique necessaire a l'exploration par evolution simulee.
8.3.4 Les operateurs
Dans le cadre des algorithmes operant sur le genotype, on appelle operateurs des applications
denies sur G permettant le renouvellement de la population a chaque generation. La variete
des operateurs imaginables est innie. C'est a la fois un des charmes des travaux exploratoires
dans ce domaine, mais aussi une source d'agacement car bien souvent seul le concepteur d'un
nouvel operateur en voit clairement l'interêt ! John Holland a propose de suivre les recettes
de l'evolution naturelle en adoptant les deux principaux operateurs connus vers le mileu du
XXe siecle 2 : la reproduction sexuee impliquant un croisement entre genomes, et la mutation par
erreur de recopie ou par alteration due a un agent exterieur (par exemple des rayons cosmiques).
8.3.4.1 Les operateurs de croisement
Un operateur de croisement est une application de : G G ! G G . Il prend donc deux
genomes et produit deux nouveaux genomes. De maniere analogue au croisement (cross-over)
de la genetique naturelle, l'idee essentielle est de combiner des caracteristiques des parents dans
l'espoir d'obtenir des descendants beneciant du meilleur des deux parents. Dans le cas d'une
representation par cha^ne de bits de longueur xe, le croisement consiste a selectionner des
sous-cha^nes de chaque genome et a les intervertir. On distingue le croisement a un point et le
croisement multipoint.
{ Dans le croisement a un point, on tire d'abord au hasard un point entre deux bits de
2. Depuis, les recherches sur la genetique ont devoile d'autres operateurs qui semblent guider l'evolution et permettre
par exemple une adaptation plus rapide quand des changements de milieu qui ont deja ete rencontres dans le
passe surviennent (voir par exemple le livre de Christopher Wills La sagesse des gênes)et le livre de science ction
L'echelle de Darwin (Darwin's radio) de Greg Bear pour un roman base sur ces idees.
la representation par cha^ne, puis en prenant les deux genomes parents, on echange leurs
sous-cha^nes a partir de ce point. (Voir gure 8.3 (a)).
{ Dans le croisement multipoint, on tire d'abord au hasard plusieurs points entre bits
de la representation par cha^ne, puis en prenant les deux genomes parents, on echange les
sous-cha^nes correspondantes. (Voir gure 8.3 (b)).
{ Dans le cas extrême, les sous-cha^nes echangees sont reduites a un bit. Chaque bit a alors
une certaine probabilite, souvent proche de 0.5, d'être echange avec le bit correspondant
de l'autre genome. On parle alors de croisement uniforme. (Voir gure 8.3 (c)).
1 0 0 0 1 1 0 1 0 0 1 1 0 1 1 (a) 1 0 0 0 1 0 0 1 0 1 1 1 1 0 1
0 0 1 0 1 0 0 1 0 1 1 1 1 0 1 0 0 1 0 1 1 0 1 0 0 1 1 0 1 1
1 0 0 0 1 1 0 1 0 0 1 1 0 1 1 (b) 1 0 0 0 1 0 0 1 0 1 1 1 0 1 1
0 0 1 0 1 0 0 1 0 1 1 1 1 0 1 0 0 1 0 1 1 0 1 0 0 1 1 1 0 1
1 0 0 0 1 1 0 1 0 0 1 1 0 1 1 (c) 1 0 1 0 1 0 0 1 0 1 1 1 1 1 1
0 0 1 0 1 0 0 1 0 1 1 1 1 0 1 0 0 0 0 1 1 0 1 0 0 1 1 0 0 1
Fig. 8.3 { En (a) un exemple de croisement a un point. En (b) un exemple de croisement

multipoint. En (c) un exemple de croisement uniforme.
8.3.4.2 Les operateurs de mutation

Un operateur de mutation est une application de : G ! G . Il prend en entree un genome
(une cha^ne de bits) et retourne une autre cha^ne de bits. On parle de (( mutation )) pour
indiquer qu'a l'instar des mutations genetiques rencontrees dans la nature, la transformation
n'aecte que quelques bits de la cha^ne. Un operateur de mutation fonctionne en changeant
aleatoirement, suivant une probabilite pmut , chaque bit de la cha^ne passee en argument dont la
valeur est inversee ((Voir gure 8.4). En general la probabilite pmut est faible, juste susante
pour assurer la mutation de quelques genomes dans la population PG (t). Mais la proportion
ideale de mutations est sujette a debats.
0 0 0 0 0 0 0 0
pmut = 1
0 0 0 0 0 0 0
pmut = 0,5
0 0 0 0 0 0 0
pmut = 0,3
0 0 0 0 0 0
pmut = 0,1
0 0 0 0 0 0 0 0
Fig. 8.4 { Un exemple d'operation de mutation sur une cha^ne de bits.

8.3.4.3 Debat : le rôle des operateurs

Une maniere d'envisager les algorithmes genetiques est de les considerer comme des algo-
rithmes d'optimisation par recherche dans un espace de possibilites. De tels algorithmes font
face au dilemme classique (( exploitation contre exploration )). L'exploitation utilise l'information
acquise, par exemple sous la forme d'un gradient local, pour modier l'estimation courante. Ce
genre de strategie conduit le plus souvent a des optima locaux. L'exploration teste des solutions
ailleurs que dans le voisinage immediat de la solution courante, parfois par tirage aleatoire. Cette
seconde strategie permet d'explorer plus largement l'espace de recherche et d'echapper ainsi aux
optima locaux. En revanche, en n'exploitant pas l'information acquise, elle est entierement sou-
mise aux aleas du tirage et ressemble a une marche aleatoire. Certaines methodes de recherche,
comme le recuit simule, implementent un compromis entre l'exploitation et l'exploration (voir
aussi certaines methodes d'apprentissage par renforcement (chapitre 16)). C'est egalement le cas
des algorithmes genetiques par l'usage des operateurs de croisement et de mutation.
La recherche en genetique laisse supposer que l'echange de materiel genetique entre indivi-
dus joue un grand rôle dans l'evolution des organismes avances. Le principe en serait que ce
croisement permet une recombinaison de primitives deja testees (blocs d'ADN ou sequences
de bits) ouvrant la possiblite de combinaisons encore plus performantes entre ces primitives.
Par combinaisons successives de blocs de plus en plus grands, le croisement permettrait ainsi
l'evolution vers des organismes de plus en plus performants tendant a être retenus par le pro-
cessus de selection naturelle. Il s'agit la d'une sorte d'exploitation des informations contenues
dans la population courante de genomes. En revanche, cet operateur, combine avec le processus
de selection qui elimine des individus, tend a appauvrir le stock de primitives disponibles. Il est
donc necessaire de disposer d'un autre operateur introduisant des nouveautes dans ce stock de
primitives. C'est le rôle de l'operateur de mutation qui, par la modication aleatoire de bits,
conserve un taux de renouvellement, donc de diversite, des genomes. La mutation joue ainsi un
rôle d'exploration.
La proportion de ces deux operateurs dans l'etape de modication d'une generation PG (t)
pour passer a la suivante est sujette a controverse. Pour John Holland, l'operation de croisement
est fondamentale puisqu'elle permettrait l'emergence progressive de primitives de plus en plus
interessantes dans le contexte de l'environnement courant. L'operation de mutation ne serait la
que pour conserver une source de diversite necessaire. En revanche, les promoteurs des strategies
d'evolution ont le discours inverse, minimisant le rôle du croisement pour se concentrer sur celui
de la mutation, ce qui revient a implementer une sorte d'algorithme de gradient stochastique.
Qui a raison?
Il est utile de se reporter au no-free-lunch theorem qui sera debattu dans le chapitre 17. Ce
theoreme armant qu'aucune methode inductive n'est meilleure qu'une autre independamment
d'une classe de problemes donnee a une contrepartie pour ce qui concerne les methodes d'optimi-
sation par recherche dans un espace de solutions (voir [Wol97]). Ici aussi, aucune methode d'opti-
misation n'est meilleure en moyenne sur tous les problemes d'optimisation possibles. Il en resulte
que chaque methode est adaptee a certaines classes de problemes et inoperante pour d'autres
classes de problemes. La controverse entre partisans d'une forte proportion d'operations de croise-
ment et ceux favorisant l'usage de la mutation est donc sterile. Ce qui est interessant est d'essayer
d'identier les types de problemes pour lesquels chaque methode est la plus performante. Dans
l'etat actuel des connaissances, il semble que l'usage important de l'operation de croisement soit
interessant lorsque la fonction a optimiser est relativement continue, ne presentant pas trop de
discontinuites.
A ceux que cette caracterisation tres qualitative ne satisfait pas, nous conseillons de consulter
les travaux recents portant sur la notion de (( ruguosite )) du paysage de la fonction a optimiser
(voir par exemple [Ang98]).
Pour terminer sur ce probleme, il est a noter que les techniques les plus recentes utilisent
une adaptation dynamique de la proportion de chaque operateur en fonction des informations
glanees lors de l'exploration de l'espace de recherche. Cela facilite aussi l'adaptation dans des
environnements changeant avec le temps.
8.3.5 La selection
Les operateurs etudies dans la section precedente fonctionnent dans l'espace G des genotypes.
La selection, qui consiste a calculer la nouvelle population d'hypotheses, s'eectue dans l'espace
H sous la pression de l'environnement decrit dans l'espace des entrees X . On peut y distinguer
trois phases : une phase d'evaluation dans laquelle chaque hypothese h 2 H est evaluee (par
exemple en mesurant son risque empirique), une phase de selection proprement dite ou l'on ne
retient qu'une partie de la population courante d'hypotheses, et une phase de remplacement qui
remplace la population courante PH (t) par une nouvelle population PH (t + 1).
Il est tentant d'evacuer rapidement la phase d'evaluation des hypotheses. Apres tout il n'y a
rien la de nouveau : il s'agit seulement d'evaluer la qualite ou la performance de chaque hypothese
dans le contexte des donnees d'apprentissage. Dans le contexte des algorithmes operant sur le
genotype, on parle de fonction d'evaluation ou de fonction de performance quand on n'adopte pas
directement le terme anglais de tness function. Nous voulons cependant souligner l'importance
de cette etape dans le contexte des algorithmes operant sur le genotype. En eet, ces algorithmes
impliquent generalement l'evolution de populations d'hypotheses, ce qui signie que le plus
souvent de tres nombreuses hypotheses doivent être testees. Si l'evaluation d'une hypothese
est coûteuse, comme c'est frequemment le cas (par exemple dans la recherche d'une structure
mecanique devant remplir un certain cahier des charges, ou dans la recherche d'un programme
de commande de robot), alors l'evaluation d'une population d'hypotheses peut être, et de loin,
l'etape la plus exigeante en ressources computationnelles. Dans ce cas, on peut utiliser, si c'est
possible et avec circonspection, une approximation de la fonction d'evaluation pour accelerer le
calcul, surtout pour les premieres generations. Une fois que toutes les hypotheses de la population
courante ont ete evaluees, il faut decider quelles hypotheses meritent attention et peuvent servir
pour le calcul de la generation suivante. C'est le rôle de l'etape de selection.
8.3.5.1 L'etape de selection
Une fois que la qualite des individus est determinee grâce a la fonction de performance , il
reste a decider quels individus seront selectionnes pour le calcul de la generation suivante par
l'utilisation d'operateurs genetiques, et quels individus seront conserves ou au contraire elimines.
C'est ce que realise l'etape de selection.
D'un certain côte, l'etape de selection joue un rôle de methode d'exploitation puisqu'elle
utilise l'information rendue disponible par l'evaluation de la population courante des hypotheses
pour decider ou doit porter l'attention dans la generation suivante.
Conformement a la theorie darwinnienne de l'evolution, la selection doit tendre a favoriser les
meilleurs individus d'une population pour en faire les (( parents )) de la generation suivante, c'est-
a-dire ceux qui transmettront du materiel genetique. Orientant l'exploration de G , ils contrôleront
aussi l'exploration de H, avec l'espoir de la conduire dans les regions les plus interessantes. Il faut
cependant regler avec soin la pression selective, c'est-a-dire la tendance a ne conserver que les
meilleurs individus. Si en eet celle-ci est trop elevee, le risque est grand d'une perte de diversite
dans la population d'hypotheses, ce qui conduit a une convergence prematuree. Inversement,
une pression selective insusante ne conduit pas a une convergence. Plusieurs techniques ont
ete proposees pour regler ce compromis. Nous en presentons ici trois parmi les plus classiques.
1. La selection proportionnelle a la performance mesuree. Chaque hypothese h 2 PH (t)
est evaluee par la fonction de performance (phi comme tness). La performance propor-
tionnelle de chaque hypothese est alors denie comme :
prop(hi ) = P (hi )(h )

hj 2PH(t) j
Selon la selection proportionnelle a la performance, la probabilite qu'un individu soit

selectionne pour participer a la production de la generation suivante est egale a sa perfor-
mance proportionnelle prop(h). Par analogie avec la roulette des casinos, on parle souvent
de selection par roulette (voir gure 8.5).

h 1 h 2 h 3 h 4 h 5 h 6 h 7 h 8 h 9 h 10
400 h 5 h 4h 3 h 4h 3 h 2
h2
h5 h1
300 h1
h6 h 10
200 h 10
h9 h6
100 h7 h9
h7 h8 h8
0
h 1 h 2 h 3 h 4 h 5 h 6 h 7 h 8 h 9 h 10
Fig. 8.5 { On considere ici une population de dix hypotheses dont la performance est guree
dans le graphique de gauche. Dans la selection par roulette (premier camembert), a
chaque individu est associe un rayon de la roulette dont l'angle est proportionnel a
sa performance absolue. Le tirage au hasard selon la roulette donne une esperance de
tirage de chaque individu proportionnelle a sa performance absolue. Dans la selection
par roulette proportionnelle au rang (second camembert), a chaque individu est associe
un rayon de la roulette dont l'angle est proportionnel a son rang dans la population, le
meilleur individu etant credite du plus grand nombre, le second de ce nombre moins
un, le dernier de un. Le tirage au hasard selon la roulette donne une esperance de
tirage de chaque individu proportionnelle a ce nombre.
2. La selection proportionnelle au rang. Un inconvenient de la selection proportion-
nelle a la performance est que si un ou plusieurs (( superindividu(s) )) apparaisse(nt), de
performance tres superieure aux autres, ils risquent de completement monopoliser le pool
genetique dont sera issu la prochaine generation. Il arrive alors frequemment que la popula-
tion stagne dans un optimum local. Pour eviter ce risque de perte de diversite prematuree,
on utilise souvent la selection proportionnelle au rang. Dans ce cas, les individus sont
ordonnes dans l'ordre de leurs performances respectives, et la probabilite de participer a
la construction de la prochaine generation est determinee par le rang et non directement
par la performance. Par exemple, on utilise une roulette dans laquelle chaque individu est
associe a une part proportionnelle a Nrang (hi )
(_ N ;1)=2 , ou N est la taille de la population. L'eet
obtenu est celui d'une pression selective adoucie lorsque la variance des performances est
grande, tandis qu'elle est au contraire accentuee si la variance est faible (voir gure 8.5).
3. La selection par tournoi. Les methodes de selection decrites ci-dessus exigent l'eva-
luation de toutes les hypotheses de la population. Une autre methode peut eviter cela, qui
de plus se prête bien a une parallelisation des calculs. Supposons que l'on ait besoin de
selectionner individus pour engendrer la generation suivante, l'idee est alors d'organiser
tournois de t N individus chacun. On retient alors le meilleur individu de chaque
tournoi. La taille k de ces tournois est un parametre permettant de contrôler la pression
selective : plus k est grand, plus celle-ci est grande. Dans la pratique, on utilise souvent
des valeurs de k comprises entre 2 et 10. Un autre atout de cette methode est qu'elle est
peu sensible aux erreurs de la fonction de performance .
Une fois que les individus les plus aptes ont ete selectionnes, ils sont utilises comme entrees
des operateurs genetiques an de calculer des individus neufs. Supposons que individus aient
ainsi ete retenus : un cas typique est d'utiliser environ =2 individus pour des croisements, =20
pour de la mutation et le reste pour une simple recopie. Bien sûr ces proportions peuvent varier,
et même considerablement. Ainsi dans les strategies d'evolution, le croisement n'est pas employe,
tandis que les individus selectionnes sont utilises pour l'operation de mutation.
8.3.5.2 L'etape de remplacement
Apres que la selection a retenu parents et que ceux-ci ont produit descendants, il faut
decider de quels individus sera composee la population suivante, sachant qu'en general la taille
N de la population reste xe. Plusieurs variantes sont possibles suivant que des individus de la
population precedente sont admis a perdurer dans la nouvelle population ou non.
µ
λ
N N
PG(t) PG(t+1)
Fig. 8.6 { Le schema general du remplacement d'une population par la suivante. parents sont
selectionnes dans la population courante pour engendrer individus qui gureront
dans la population suivante. Le reste des individus necessaires a la completion de la
population est obtenu par des methodes variees.
Une methode extrême consiste a remplacer entierement la generation precedente par les
descendants calcules. On parle alors de remplacement (; ) ou les individus de la generation
suivante (ici = N ) sont les meilleurs des individus obtenus par les operateurs genetiques. L'in-
convenient de cette methode est qu'elle risque de perdre des individus excellents d'une generation
et de les remplacer par des individus plus mediocres. C'est pourquoi une autre methode est plus
souvent employee, le remplacement ( + ), qui consiste a tirer les N nouveaux individus parmi
les parents selectionnes plus les descendants calcules.
Une alternative a ces methodes impliquant le remplacement d'une generation par la suivante
est la technique de generation par remplacement local (steady-state). Le principe consiste a
selectionner une sous-population de la population totale puis de determiner par roulette ou par
tournoi un ou des parents dans cette sous-population pour engendrer les remplacants de cette
sous-population, en respectant une population totale constante. Chaque generation n'implique
donc que le remplacement de certains individus et non le remplacement de toute la population.

L'interêt de cette technique est de se prêter aisement a une implementation asynchrone et
decentralisee.
8.3.6 Le theoreme des schemas : une explication de la puissance des AG?

Les algorithmes operant sur le genotype decouplent le probleme de l'expression des hy-
potheses de celui de son exploration en deleguant celui-ci a un autre espace dote d'operateurs
propres : l'espace des genotypes. Ces algorithmes ont egalement une source d'inspiration dans les
modeles de l'evolution. Depuis leur conception, les algorithmes operant sur le genotype ont ete
testes sur de tres nombreux domaines d'application et revendiquent des succes parfois spectacu-
laires sur des problemes reputes diciles. Il est temps de s'interroger sur la source de la puissance
de ces algorithmes, ce qui devrait permettre aussi, dans l'esprit du no-free-lunch theorem (voir
17.4.1), de mieux cerner les familles de problemes pour lesquels ils sont les plus adaptes.
Depuis quelques annees, plusieurs travaux de recherche importants ont ete dedies a l'etude
theorique du fonctionnement des algorithmes operant sur le genotype (voir par exemple [Cer95,
Kal99, Rud97, Vos99] ...). Ces travaux utilisent principalement des modelisations par cha^nes de
Markov, par martingales, ou des concepts tels que la rugosite de l'espace de recherche. Nul doute
que ces travaux defrichent un terrain qui se revelera fecond et qu'un specialiste des algorithmes
operant sur le genotype doit conna^tre. Cependant, il nous semble interessant de consacrer
l'espace limite de ce chapitre a une analyse theorique deja ancienne : le theoreme des schemas
dû a Holland en 1975. En eet, même si elle a ete depuis l'objet de nombreuses etudes critiques
et semble depassee sur certains points, elle est encore la source de profondes interrogations.
Le point de depart de cette etude theorique reside dans un resultat de la theorie de Markov,
a savoir que le nombre de tests necessaires a l'obtention d'un optimum global par une recherche
aleatoire cro^t exponentiellement avec la dimension L de l'espace de recherche quelle que soit la
fonction de performance cible. Qu'est-ce qui fait alors la dierence avec des algorithmes utilisant
le genotype? Qu'est-ce qui peut expliquer leur puissance apparente?
L'une des motivations de John Holland etait de montrer pourquoi l'operateur de croisement
est essentiel dans le fonctionnement des algorithmes genetiques. L'idee fondamentale est que les
genotypes associes a des hypotheses contiennent dans leur code des primitives de construction
(building blocks). Dans le cadre des algorithmes genetiques, une primitive peut être n'importe
quelle sous-sequence de cha^ne de bits qui se presente dans la population. Mais cette notion
s'etend aussi aux algorithmes utilisant d'autres types de representations : des sous-arbres dans
le cas de la programmation genetique ou des portions d'automates dans le cas de la program-
mation evolutive. L'hypothese est que la possession dans leur code genetique de bonnes primi-
tives augmente la performance des individus qui en sont dotes (comme la possession d'un cur
augmente notablement le domaine d'action des organismes qui en sont dotes). De ce fait, ces
individus tendent a être davantage selectionnes pour la reproduction de la nouvelle generation
et par consequent ces primitives tendent a se multiplier et a se repandre dans la population
(le theoreme des schemas montre que cet accroissement des bonnes primitives est exponentiel
en cours d'evolution). Le croisement permettant la combinaison de ces primitives en super-
primitives conduirait alors a l'emergence de superindividus.
Plus formellement, on recherche une hypothese optimale via l'exploration de l'espace des
genomes G , ce qui revient a chercher un genome optimal. L'hypothese fondamentale de Holland
est qu'un genome optimal est une superposition de parties de genomes qu'il appelle des schemas,
qui correspondent chacune a des proprietes particulieres des hypotheses associees. Ainsi, un
schema est une primitive de construction dans la mesure ou le trait qu'il code dans H corres-
pond a une propriete mesurable et que c'est l'addition de telles proprietes qui rend une hypothese
performante. Il est crucial de noter que cette hypothese fondamentale est nullement triviale et
correspond en fait a une contrainte tres forte sur la relation entre H et G . Cela signie en eet
que le codage des hypotheses dans G respecte une independance entre les proprietes pertinentes
(pour la performance) des hypotheses, la superposition de deux schemas etant associee a l'ad-
dition de deux proprietes mesurables dans H. Trouver un tel code n'est generalement pas une
tâche aisee. Nous allons voir que le theoreme des schemas, qui decoule de cette hypothese fonda-
mentale, ajoute encore des contraintes sur ces schemas si l'on veut que les algorithmes operant
sur le genotype fonctionnent. La discussion qui suit s'applique aux algorithmes genetiques qui
operent sur des cha^nes de bits de longueur xe. L'extension a d'autres types de representations
a fait l'objet de travaux mais se heurte a des dicultes que nous soulignerons dans les sections
correspondantes.
Soit L la longueur des cha^ne de bits de G .

Denition 8.1 (Schema)
Un schema s est une cha^ne sur f0; 1; gL ou la signication du symbole est 0 ou 1. Il y a par
consequent 3L shemas denis sur G
Un schema correspond ainsi a un sous-espace projete de G .
Exemple 8.1
Par exemple, le schema s =0*10 deni sur un espace de cha^nes de bits de longueur 4 est
appariable a l'ensemble des cha^nes de bits contenant exactement 0010 et 0110.
Inversement, une cha^ne de bits g est appariable a plusieurs schemas : tous ceux qui corres-
pondent aux sous-espaces de G contenant g. Par exemple, la cha^ne de bits 0100 est contenue
dans 24 schemas (c'est-a-dire dans les sous-espaces de G associes), dont par exemple **** (di-
mension 4), *1** (dimension 3), 0*0* (dimension 2) ou encore 01*0 (dimension 1). On peut donc
considerer qu'un individu g de G est representatif d'un certain nombre de schemas, dont les traits
correspondants sont exprimes dans l'hypothese h associee a g. Appelons n(s; t) le nombre de
schemas s representes par une population de genomes a l'instant t. Le theoreme des schemas
decrit l'esperance de n(s; t + 1) en fonction de n(s; t) et d'autres proprietes de la population et
des parametres de l'algorithme.
L'evolution de la population dans un algorithme genetique depend de l'etape de selection,
puis des operations de croisement et de mutation. Considerons d'abord l'eet de la selection.
Par abus de langage, on parlera de la performance (g) d'un genome g, quand en toute rigueur
il s'agit de la performance mesurable de l'hypothese associee h. Soit donc (t) la performance
moyenne des individus de la population PG (t) a l'instant t :
X
(t) = N1 (g)
g2PG (t)
D'apres la regle de selection proportionnelle a la performance, la probabilite pour un genome

gi d'être selectionne est :
Pr(gi) = P (gi )(g ) = (gi ) (8.1)

gj 2PG (t) j N(t)
La probabilite de selectionner un genome representatif d'un schema s est alors :

X (g) (s; t)
Pr(g 2 s) = = n(s; t) (8.2)
g 2 s\PG (t) N( t ) N (t )
ou (s; t) est la performance moyenne des genomes de la population PG (t) representatifs du
schema s : P (g)
(s; t) = g 2 ns\(Ps;G (tt))
L'equation 8.2 vaut pour un genome. L'esperance d'appartenance au schema s pour l'ensemble
des individus de la population PG (t) resulte de N fois le même tirage independant, d'ou la valeur
de l'esperance :
E [n(s; t + 1)] = (s; t) n(s; t) (8.3)

(t)
Si l'on regarde seulement l'eet de la selection d'une generation a la suivante, l'equation 8.3
montre que l'esperance du nombre de genomes representatifs d'un schema s a l'instant t + 1 est
proportionnelle a la perfomance moyenne de ce schema a l'instant t et inversement proportion-
nelle a la performance moyenne de la population de genomes a l'instant t. Les schemas dont la
valeur moyenne est superieure a la performance moyenne generale devraient donc voir le nombre
de leurs representants augmenter au cours des generations. Inversement, les schemas associes a
des performances mediocres devraient tendre a dispara^tre. Globalement, l'eet des algorithmes
genetiques devrait être de reveler et de favoriser les primitives de construction interessantes pour
la tâche courante.
Cependant, cet eet selectif n'est pas susant pour construire des superindividus. Il faut
tenir compte des operateurs de croisement et de mutation. Or ceux-ci, a côte de leurs eventuels
eets beneques, ont aussi des eets destructeurs. De fait, sous l'eet d'une mutation, un genome
peut ne plus appartenir a un schema donne. La probabilite que cela arrive depend du nombre de
bits denissant un schema. Une operation de croisement (ici on ne considere que les croisements
a un point) peut de la même maniere produire des descendants n'appartenant plus a un schema
donne. Il sut pour cela que le point de croisement se trouve situe (( a l'interieur )) du schema
considere.
Pour enoncer completement le theoreme des schemas, il nous faut donc deux denitions
exprimant des caracteristiques des schemas importantes lorsque les operateurs genetiques sont
employes.
Denition 8.2 (Ordre d'un schema)
On appelle ordre o(s) d'un schema s le complement a L de la dimension du sous-espace corres-
pondant. C'est aussi le nombre de caracteres dont la valeur est speciee dans s.
Exemple 8.2
C'est ainsi que le schema 0 est d'ordre 1, alors qu'il represente un sous-espace de dimension
4 de f0; 1; g5 et le schema 10 11 d'ordre 4 .
Denition 8.3 (Longueur caracteristique d'un schema)
On appelle longueur caracteristique d(s) d'un schema s, dans sa representation comme une
cha^ne de L caracteres de l'alphabet f0; 1; g, le nombre de bits entre le symbole non egal a * le
plus a gauche dans la cha^ne et celui le plus a droite, augmente de 1.
Exemple 8.3
C'est ainsi que d(1 1) = 4, d(0 1) = 2, d(10 1) = 3 et d( 0 ) = 1.
En notant pcrois la probabilite d'utilisation de l'operateur de croisement et pmut la probabilite
de mutation d'un bit, on obtient alors l'equation suivante, appelee aussi theoreme des schemas.
Theoreme 8.1 (Le theoreme des schemas (Holland, 1975))
L'esperance du nombre de genomes representants un schema s suit l'equation :

E [n(s; t + 1)] = (s; t) n(s; t) 1 ; pcrois Ld(;s)1 (1 ; pmut )o(s) (8.4)
(t)
Le premier terme de droite decrit l'eet de la selection, conformement a l'equation 8.3. Le

deuxieme decrit l'eet destructeur du croisement. Il exprime la probabilite de survivance a l'eet
d'un operateur de croisement. Plus la longueur caracteristique d'un schema est grande, plus la
probabilite qu'un operateur de croisement detruise l'appartenance a ce schema d'un descendant
est grande. Le troisieme terme correspond a l'eet destructeur des mutations, dont la probabilite
depend de l'ordre du schema considere. Ainsi les eets destructeurs des operateurs de croisement
et de mutation s'accroissent avec l'ordre et la longueur caracteristique des schemas. Holland en
conclut que l'eet des algorithmes genetiques est de favoriser l'apparition des representants des
schemas les plus performants, et ceci d'autant plus que ceux-ci sont courts (ordre et longueur
caracteristique faibles).
Plusieurs remarques peuvent être faites :
1. D'apres ce theoreme, l'ideal serait de disposer d'un codage des genomes tel que les pri-
mitives utiles soient decrites par des cha^nes de bits courtes. Malheureusement, cela re-
vient a conna^tre a l'avance le codage adequat, c'est-a-dire les proprietes du probleme que
l'on cherche a resoudre. Les detracteurs de ce theoreme se sont ingenies a concevoir des
problemes dits (( trompeurs )) (deceptive problems) qui ne satisfont pas les codages usuels
et mettent donc les algorithmes genetiques en defaut. On pourra noter ici que certains
auteurs, inspires aussi par la biologie, ont propose des operateurs d'inversion permet-
tant le rearrangement dans l'espace des schemas an de pouvoir reduire leur longueur
caracteristique et de les soustraire aux eets destructeurs du croisement.
2. Le theoreme des schemas est insusant car, bien qu'il prenne en compte l'eet destructeur
des operateurs genetiques, il ne traduit pas leurs eventuels eets beneques, en particu-
lier ceux concernant le croisement qui permet la combinaison de plusieurs schemas en
superschemas. Cette etude-la en est encore a ces prolegomenes.
3. Une autre source d'insusance du theoreme des schemas reside dans son incapacite a
prendre en compte ce que l'on appelle l'epistasie, qui signie que certaines parties du
genome peuvent avoir une in uence sur l'expression d'autres parties du genome. Plus
generalement, toutes les non-linearites dans le fonctionnement ou l'expression du genome
echappent a l'analyse par schemas.
4. Une idee profonde de Holland est que les algorithmes genetiques, en calculant des po-
pulations successives de genomes, eectuent de fait une recherche implicite dans l'espace
des schemas, pour decouvrir les plus interessants. Si c'est la eectivement la source de
puissance des algorithmes genetiques, alors il faut favoriser cette recherche implicite qui se
realise grâce a l'appartenance des genomes a plusieurs schemas, lesquels se trouvent ainsi
mis en competition. Il faut donc maximiser le nombre de schemas qui sont representes
par une population de genomes de taille donnee. Cette remarque conduit a preferer les
alphabets binaires, d'ou le choix de la representation prônee par Holland. En eet, par
exemple, la cha^ne 0101 est representative de 24 schemas dans un alphabet binaire, alors
que le nombre total de schemas est de 3L . Dans un alphabet n-aire, la cha^ne 0101 est
toujours representative de 24 schemas, tandis que leur nombre total est de n4 . On voit que
l'exporation implicite permise par une population de taille donnee est ainsi plus ecace
dans le cas d'un alphabet binaire.
L'etude decrite ci-dessus concerne des representations sequentielles de taille xe. Que se
passe-t-il dans le cas de l'utilisation de representations dont la taille peut varier et dont les
primitives peuvent être rearrangees dans le genome? On a encore beaucoup de mal a l'analyser,
mais il existe plusieurs propositions tres interessantes d'algorithmes utilisant des representations
alternatives et qui ont ete largement testees sur de nombreux problemes.
8.4 Les strategies d'evolution

La technique dite des (( strategies d'evolution )) a ete initiee par Fogel, Owens et Walsh dans
les annees 1960 (voir [FOW66]). Elle consiste a utiliser une representation par automates a etats
nis 3 pour l'espace G des genotypes et l'operateur de mutation pour modier les expressions de
cet espace. Dans leur version originale, les strategies d'evolution furent utilisees pour des tâches
de prediction de sequences.
La methode demarre en produisant une population initiale d'automates a etats nis. Ceux-ci
sont parcourus en fonction de l'etat courant et de l'entree correspondant au caractere courant
de la sequence. L'evaluation de l'automate tient compte de l'accord ou non de la prediction faite
alors par l'automate par rapport au caractere suivant de la sequence. De cette maniere, chaque
automate est evalue en fonction de la sequence entiere a predire. La selection utilise une roulette
proportionnelle a la performance. Les descendants de la generation courante sont calcules a
partir des parents selectionnes en leur appliquant des mutations qui peuvent ajouter des etats,
en retirer, changer les transitions entre etats, changer l'etat initial et changer les caracteres de
sortie. Tres souvent, la generation suivante est obtenue par un procede de remplacement elitiste
consistant a conserver la meilleure moitie de la generation courante et en completant par les
descendants obtenus a partir de cette meilleure moitie. Souvent aussi, le taux de mutation est
reduit au fur et a mesure des generations.
Les developpements recents de cette technique ont elargi les recettes employees, mais en
conservant la mutation comme seul operateur genetique (voir [Fog98, Fog99]).
Les gures 8.7 et 8.8 illustrent l'evolution d'une population de cinquante automates a etats
nis ayant au maximum vingt etats sur une tâche de predition de la sequence :
1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 0, 1
La gure 8.7 montre la population initiale, tandis que la gure 8.8 montre l'evolution du
meilleur automate toutes les dix generations depuis la generation 10 jusqu'a la generation 200.
(Voir [Jac01], ch.6 pour les details).
8.5 La programmation genetique

Est-il possible d'envisager de produire automatiquement des programmes par un mecanisme
d'evolution simulee? Ici, l'espace H des hypotheses deviendrait un espace de programmes, la
performance de chacun d'eux etant mesurable par test dans un environnement representatif des
3. Voir le chapitre 7.
0.625 6 0.5 6 0. 20 0. 20 0. 20
0. 17 0. 16 0. 16 0. 16
0. 16 0. 15 0. 14 0. 14 0. 14
0. 14 0. 13 0. 13 0. 12 0. 12
0. 12 0. 10 0. 10 0. 10 0. 9
0. 9 0. 9 0. 9 0. 9 0. 8
0. 8 0. 8 0. 7 0. 7 0. 7
0. 7 0. 6 0. 5 0. 5 0. 5
0. 5 0. 4 0. 4 0. 4 0. 3
0. 3 0. 2
0. 2
0. 2 0. 2
Fig. 8.7 { La generation 0 d'automates a etats nis.

01 11
12 01 00 3
1 10 13 411
11 10 00
10,112 11
1 10,11
1 01 5
8 11,00 2 11 9 00 01 11
11 10 11
1
10 11 10 00
01 01 11,00
2 2 01 6 0101
00 10 11 00
01 01,10 10 11,00
01
3 8 9 13
01 01 10 11 00 01
11 7 01 01 00 00
11 01 10 3 7
01 11
11 11
8 12 10
3 01 01 4 7 11 01
00 01,10
11
4 1101 8
7 11
5 10 5 00 006 10 5 11 9 00
10 00 6 11 10 10 11
4 11,01
10 11,01
2 11 3
3 10,01 1 2 11 1
11 2
104 10,11
00 2 11 3 10 10,01
10 00 11
00
11 5 11 1 10,01
14 3 14
01,11 11 4 11
01 00 0101
00 6 16
10
4 11 10
10
00 10
11 7 1501 01 1
0100
01 00 00 13 4 00 13 11
00 01
11 00 00 00
01,10 00
8 14 5
01 11 11 10 5
11
00 01
11 9 11 13 00 11 00
10 10 115 00 10 00
14
10 12 10 10 00
1111 6 10
00 00 6
01 9 6 7
7 00 11
11 11 01 01
2 2
3
2 3 3
11 3 2 11 11
01 01
10,01 10 10
4 11 10,01
10 11 11
00 1 00 1
10 11 10 11 10
01 01
11 1
01
4 1
00
00
5
11 01 01 4 4
01 01
00 11
15 11 01 6 6
11 11
6 10 5 6
01 01
01 01
2 2 2
2
3 3 3
11 11 11 3
01 01 01
11
10 10 10 01
10
00 1 00 1 00 1

11 10 11 10 11 10 00 1
01 01 00 11 10
4 4 4
01 00 01 01 4 00
11 6 11 6 11 6 6

11
01 01 01 01
2 2
2 2
3 3 3
3 11 11 11
11 01 01
01 01
10 10 10
10 00
00 1 00 00 1

00 1 11 00 00,11 10 00 1
11 10 11 10
10
01
4
4 4 4
01 01
11 6
6 11 6 11 6
11
01
01 01 01
Fig. 8.8 { Le meilleur automate toutes les dix generations de la generation 10 a la generation
200. Des la generation 70, le meilleur automate predit parfaitement la sequence. Le
reste de l'evolution conduit a une simplication du meilleur automate.
tâches a realiser. L'idee est seduisante, elle semble cependant completement irrealisable. Tout
programmeur a deja eu l'occasion de pester contre une virgule ou un point-virgule mal place
responsable du plantage d'un programme, alors comment une exploration au hasard, ou presque,
de l'espace des expressions possibles pourrait parvenir a produire un programme valide, encore
plus d'un programme solution, et qui plus est ecace?!
Encore une fois la solution reside dans une representation adequate des programmes se
prêtant bien a l'utilisation d'operateurs d'exploration ecaces. En intelligence articielle, dire
ceci revient evidemment a enoncer une tautologie. Personne n'a de recette pour trouver une telle
representation ni les operateurs associes. Cependant, toute une ecole de chercheurs, a la suite
de pionniers tels que Cramer [Cra85] et Koza [Koz92, Koz94, KA99], a propose une nouvelle
approche qui a ete testee de maniere prometteuse sur une grande variete de problemes. L'idee
fondamentale est de s'appuyer sur une representation des programmes par arbres et d'utiliser des
langages de programmation dont la syntaxe est simple et telle que des manipulations syntaxiques
egalement simples produisent encore des programmes licites. Cette idee, deja largement exploitee
par Douglas Lenat dans son programme AM (Automated Mathematician [Len78]), conduit a
s'interesser a des langages de programmation tels que Lisp ou des derives comme Scheme ou
Mathematica.
8.5.1 La representation des programmes
La dierence essentielle entre les algorithmes genetiques et la programmation genetique est
que dans ces derniers les structures de programmation ne sont pas codees par des genomes
lineaires, mais par des termes ou des expressions symboliques correspondant a un langage de
programmation. Les unites objets de mutation ou de recombinaison ne sont plus des caracteres
ou des sous-sequences de cha^nes, mais des modules fonctionnels (a la Lisp) representes par
des arbres. Une telle representation conduit a une redenition des operateurs genetiques. Ainsi,
les primitives de representation sont maintenant des termes (feuilles de l'arbre) ou des sous-
termes (sous-arbres) qui peuvent être soit remplaces (mutation) soit echanges entre des arbres
representant des programmes (recombinaison). En comparaison avec les algorithmes utilisant
des genomes lineaires, cela ouvre des possibilites inedites. Par exemple, la taille des genomes
n'est plus xee ni même en principe limitee en taille ou en profondeur. Les adaptations possibles
des structures de programmes sont ainsi potentiellement illimitees, correspondant a de grandes
variations tant dans la semantique que dans les aspects algorithmiques des programmes. Certains
pensent même que cela ouvre des perspectives radicalement nouvelles par rapport a la biologie
dont le materiel genetique est code sur des chromosomes lineaires.
8.5.1.1 L'ensemble des terminaux et des fonctions
En programmation genetique, les fonctions et les terminaux sont les primitives servant a
decrire les programmes. Qualitativement, on peut dire que les terminaux fournissent des valeurs
au programme tandis que les fonctions traitent ces valeurs. Les terminaux correspondent aux
feuilles des arbres, tandis que les fonctions correspondent aux nuds internes.
Denition 8.4 (Ensemble des terminaux)
L'ensemble des terminaux est constitue par les entrees des programmes, les constantes denies
a priori et les fonctions d'arite nulle ayant des eets de bord calcules en cours d'execution.
Les terminaux retournent une valeur numerique sans recevoir d'arguments en entree. En
general ces terminaux sont constitues des valeurs numeriques rencontrees dans l'echantillon
d'apprentissage en plus de constantes jugees utiles par le concepteur. D'autres valeurs numeriques
pourront être calculees par l'usage de fonctions prenant des terminaux en argument.
Denition 8.5 (Ensemble des fonctions)
L'ensemble des fonctions est constitue des declarations, operateurs et fonctions disponibles pour
le systeme.
Exemple 8.4
Voici quelques exemples de fonctions qui peuvent être utilisees en programmation genetique.
{ Fonctions boolennes. Exemples : AND, OR, NOT, XOR
{ Fonctions arithmetiques. Exemples : PLUS, MINUS, MULTIPLY, DIVIDE
{ Fonctions transcendantales. Exemples : Fonctions trigonometriques et logarithmiques.

{ Formes conditionnelles. Exemples : IF ... THEN ... ELSE
{ Structures iteratives. Exemples : boucles REPEAT, WHILE, DO,...
{ Sous-routines. Le domaine des fonctions utilisables est en fait bien plus considerable que
les fonctions predenies d'un langage et peuvent inclure n'importe quelle primitive denie
par le programmeur, par exemple en reponse a un probleme specique. Nous en verrons
un exemple dans la section 8.5.5 a propos d'un robot simule.
8.5.1.2 Le choix de l'ensemble des terminaux et des fonctions
Le choix de l'ensemble des terminaux et des fonctions doit obeir a quelques criteres. Il doit
être assez riche pour permettre l'expression d'une solution au probleme. Mais il ne doit pas
l'être trop sous peine de rendre trop coûteuse l'exploration de l'espace de recherche. En general,
il est preferable de commencer avec un ensemble restreint et de l'enrichir si l'experience en fait
sentir le besoin. Une autre propriete est necessaire : la propriete de clôture. Chaque fonction de
l'ensemble des fonctions doit en eet pouvoir traiter toutes les valeurs qu'il peut recevoir en
entree. Ceci est tres important car les entrees d'une fonction donnee peuvent varier enormement
au cours de l'evolution simulee de programmes. Il ne faut pas que cela provoque un arrêt du
programme (comme cela peut arriver si une division par zero est demandee). La propriete de
clôture est plus facile a verier avec des langages dont la syntaxe est uniforme comme c'est le
cas de Lisp, elle exige cependant une certaine attention.
8.5.1.3 Phenotypes et genotypes en programmation genetique
Les algorithmes utilisant le genotype pour la recherche d'une bonne solution ou hypothese
decouplent les problemes d'expressivite du langage de representation (ceux de coût memoire
ou d'execution qui sont propres a l'espace H des phenotypes) des problemes de recherche dans
l'espace des programmes (qui sont du ressort de l'espace G des genotypes). Dans le cas de la
programmation genetique cependant, la distinction entre les deux espaces n'existe generalement
pas, et la recherche par evolution simulee s'opere directement dans l'espace H des programmes
executables et testables. Les avocats de la programmation genetique estiment par consequent
que la representation et les operateurs dont ils disposent sont ecaces directement dans H.
8.5.1.4 Initialisation d'une population de programmes
Au debut d'un cycle d'evolution simulee, il faut produire une population initiale de pro-
grammes. Cela est generalement realise par un tirage aleatoire d'arbres representant des pro-
grammes. Il est souvent specie une profondeur limite ou un nombre maximal de nuds que
les arbres produits aleatoirement ne peuvent depasser. Le processus de creation des arbres est
recursif, avec a chaque pas la creation d'un nud de l'arbre par selection aleatoire d'une fonction
ou d'un terminal. Dans ce dernier cas, une feuille de l'arbre est atteinte. Plusieurs methodes de
generation d'arbres ont ete etudiees. Nous renvoyons le lecteur par exemple a [BNKF98] pp.118-
122.
8.5.2 Les operateurs genetiques sur les programmes
Comme pour les algorithmes genetiques, les trois operateurs les plus employes en program-
mation genetique sont : la mutation, le croisement et la reproduction.
1. La mutation. C'est un operateur deni de G ! G operant donc sur un seul genome
et produisant un autre genome par alteration aleatoire du premier. Plus precisement,
la mutation sur une representation par arbre opere en selectionnant au hasard un sous-
arbre et en le remplacant par un autre sous-arbre engendre aleatoirement, en respectant
les limites de profondeur ou de taille denies pour l'initialisation de la population. (Voir
gure 8.9).
Mult Mult
Mutation
Mult Add Mult Add
b c a c b c Div c
a 2
Fig. 8.9 { Exemple d'une operation de mutation.
2. Le croisement est un operateur deni de G G ! G G produisant deux genomes a

partir de la donnee de deux genomes en entree. Il selectionne au hasard un sous-arbre
dans chacun des genomes fournis en entree et les echange pour produire deux nouveaux
genomes (voir gure 8.10). Il est evident que cette operation doit respecter la propriete de
clôture denie plus haut (8.5.1.2).
3. La reproduction consiste simplement en une recopie d'un individu d'une generation a la
suivante.
8.5.3 E valuation et selection
L'evaluation des genomes et leur selection suit les mêmes principes que ceux des algorithmes
genetiques. La performance d'un genome est denie comme la performance mesuree de la solution
correspondante dans H. La selection des individus utilises pour produire la generation suivante
se fait egalement selon les mêmes methodes.
8.5.4 Le fonctionnement
Le fonctionnement de la programmation genetique suit les mêmes etapes que les algorithmes
genetiques.
If-Then-Else If-Then-Else
Equal b Add Equal b Mult
a c Mult b a c b c
Croisement
a 3.14
Mult Mult
Mult Add Add Add
Mult b a c
b c a c
a 3.14
Fig. 8.10 { Exemple d'une operation de croisement.
8.5.5 Illustrations
Nous illustrons brievement le fonctionnement de la programmation genetique sur deux prob-
lemes. Le premier est un probleme d'induction classique. Il s'agit, etant donne un echantil-
lon d'exemples et de contre-exemples decrits dans un espace numerique X = IRd , de trouver
l'equation d'une separatrice entre les deux classes d'objets. Le second probleme concerne l'in-
duction du programme de contrôle d'un robot simule (cense modeliser une fourmi) dans un
environnement simplie dans lequel se trouve de la (( nourriture )).
8.5.5.1 Induction d'une separatrice entre deux classes
L'experience rapportee dans cette section concerne l'induction d'une surface separatrice dans
un espace d'exemples appartenant a deux classes et decrits par des descripteurs numeriques. Le
principe de l'experience est le suivant : une fonction de separation cible est choisie aleatoirement
par combinaison d'un certain nombre xe de descripteurs en utilisant un repertoire de fonctions
fourni a priori. Par exemple, en xant le nombre de descripteurs a deux et le jeu de fonctions
a : +, -, ; , il est possible de produire la separatrice : f (x) = xx11 +xx22 . Un ensemble de points
de X tires aleatoirement sont alors etiquetes par comparaison avec la fonction separatrice. Par
exemple, tous les points pour lesquels f (x) 0 sont etiquetes '+'. On obtient ainsi un ensemble
d'apprentissage qui est utilise par un algorithme d'apprentissage utilisant la programmation
genetique. Cet algorithme utilise un jeu de terminaux incluant des constantes et des variables
representant les descripteurs (qui ne font pas tous forcement partie de la fonction cible : ce
sont des descripteurs non pertinents) et un ensemble de fonctions incluant par exemple : +,
-, ; ; cos; sin; :::. La fonction de performance mesure le risque empirique, par exemple par
un critere entropique (voir les arbres de decision dans le chapitre 11), une fonction de coût
quadratique ou simplement le nombre d'exemples mal classes. De plus, pour favoriser l'obtention
d'expressions simples, un terme de penalite a ete introduit dans la fonction de performance,
prenant en compte le nombre de nuds dans les arbres produits. Une fois que l'algorithme a
trouve une separatrice, on evalue son risque reel en comptant le nombre d'exemples mal classes
sur un echantillon de test.
Dans les experiences realisees ([BTC96]), les parametres avaient les valeurs suivantes :
{ Taille de l'ensemble d'apprentissage : 200 exemples generes aleatoirement
{ Taille de l'ensemble de test : 10000 exemples generes aleatoirement
{ Taille de la population : 500 (i.e. 500 fonctions de decision en competition dans la popula-
tion)
{ Nombre de generations : 50 (pour chaque execution)
{ Nombre d'executions : 1000
{ Profondeur maximale des arbres : 8 p
{ Ensemble de fonctions : +; ;; ; (cos; sin; exp; log; )
{ Taux des operateurs :

{ reproduction: 10 %
{ croisement: 45 %
{ mutation: 45 %
Une execution de l'algorithme peut ainsi produire une sequence de populations de fonctions
separatrices dont la meilleure evolue comme suit a dierents instants :
logz(z) + x ; sin(z ) z psin(z) x yz + px x:y
exp(x) ; y xz
y
y
; ; ; ;
y +z
8.5.5.2 Induction d'un programme de contrôle de robot simule

Nous voulons simplement ici montrer comment un programme de contrôle simple en robo-
tique peut être produit par programmation genetique. Le travail decrit succinctement dans cette
section est tire du livre de Christian Jacob Illustrating evolutionary computation with Mathe-
matica [Jac01].
On s'interesse a un robot place dans un univers bidimensionnel consistant en une grille
de 18 18 cases tel que celui de la gure 8.11. Quarante-quatre cases de nourriture ou de
pheromones sont distribuees sur la grille. Ces cases sont organisees suivant un chemin avec
d'abord des sequences de nourriture ininterrompues, puis de plus en plus de cases intermit-
tentes de pheromones qui aident a orienter le robot fourmi. Le but du robot est d'essayer de
visiter toutes les cases contenant de la nourriture en quatre-cents actions maximum. Les actions
disponibles sont au nombre de quatre :
{ advance : avancer d'une case en avant
{ turnLeft : tourner de 90o a gauche
{ turnRight : tourner de 90o a droite
{ nop : pas d'action
Un robot peut egalement determiner son action en fonction des conditions environnantes.
Pour cela un robot est equipe d'un senseur qui fournit des informations sur la case qui se trouve
directement devant : (( mur )), (( nourriture )), (( pheromone )) ou (( poussiere )). Cela autorise deux
commandes conditionnelles :
{ ifSensor[signal][A] : l'action A est executee si le robot est devant une case correspon-
dant a signal ;
{ ifSensor[signal][A,B] : l'action A est executee si le robot est devant une case corres-
pondant a signal, sinon c'est l'action B qui est executee.
Gen.0, Ind.1, Fit.6.
15
0 10
East
5
5
10
South
15
0
Fig. 8.11 { Le monde du robot fourmi. Les cases en noir correspondent a des murs infranchis-
sables, celles en gris fonce a de la nourriture, celles en gris clair a des traces de
pheromones. (D'apres [Jac01], p.401).
Ces actions ou commandes sont integrees dans une expression seq correspondant a une
sequence. Chaque action ou commande, en comptant aussi les requêtes au senseur, est comptee
comme une action. Le robot s'arrête s'il a trouve toutes les cases contenant de la nourriture ou
s'il a depasse le nombre maximal d'actions autorisees, ici 400.
Un programme est represente par une sequence de commandes ou d'actions qui peuvent
eventuellement correspondre a des iterations si les commandes stop et again sont incluses.
Exemple de programmes
Par exemple, le programme dont l'expression est :
ifSensor[food][seq[advance,again],seq[nop]]
correspond a une boucle permettant de suivre des cases consecutives de nourriture. La requête
ifSensor sera executee aussi longtemps qu'il y a aura de la nourriture juste devant le ro-
bot declenchant alors une action advance. Sinon, la boucle est quittee et le robot continuera
d'executer les commandes suivantes s'il y en a.
La performance d'un programme de contrôle de robot h est mesuree par le nombre n de cases
de nourriture visitees pondere par un terme prenant en compte la complexite du programme,
an de favoriser les programmes simples :
(
n+1 si dh dmax ,
(h) = dmax : n + 1 si dh > dmax .
dh
Les operateurs genetiques utilises dans les experiences decrites par Ch. Jacob incluent la
mutation et le croisement, ainsi que des deletions, des duplications, des permutations, etc. Ces
operateurs sont denis par des moules (templates) qui specient quels motifs dans un programme
peuvent être remplaces et par quoi. Par ailleurs, il existe un programme de simplication des pro-
grammes obtenus qui est applique a chaque generation. Ce type de programme de simplication
est essentiel dans la programmation genetique.
Les gures 8.13 et 8.15 donnent une idee du genre de programmes qui peuvent être obtenus
dans un processus d'evolution jouant sur une population d'individus de cinquante programmes.
Le meilleur individu de la cinquieme generation va droit devant avant d'être arrête par le mur. A
la generation 9 (voir la gure 8.12) le meilleur programme ne diere du meilleur de la generation
5 que par une instruction, la derniere, mais celle-ci correspond a tourner a gauche si un mur est
rencontre. La trajectoire obtenue a partir du point initial est alors une boucle. Des ameliorations
sensibles apparaissent de temps en temps lors des generations suivantes, jusqu'a l'obtention a la
generation 59 d'un programme permettant, sur le probleme pose, de passer sur toutes les cases
de nourriture (voir gures 8.14 et 8.15).
30
20
t 15
10 0 10
East
5
15 5
0 10
10 South
5 East 15
10 5 0
South 15
Fig. 8.12 { Le meilleur individu de la generation 9 correspond a un robot qui avance tout
droit sauf lorsqu'il se trouve face a un mur, auquel cas il tourne a gauche.
(D'apres [Jac01], p.401).
AntTracker
seqadvance, ifSensordustseqstop, advance,
ifSensordustseqturnLeft, again, nop,
advance,
ifSensorwall
seqturnLeft, again, advance
Fig. 8.13 { Le programme du meilleur individu de la generation 9. (D'apres [Jac01], p.401).

La gure 8.16 permet de visualiser l'evolution des performances des cinquante programmes
sur les trente-neuf premieres generations. On y observe une amelioration graduelle des perfor-
mances moyennes avec des variations assez brutales de la performance du meilleur individu. La
partie droite de cette gure montre l'evolution de la performance du meilleur individu, de la
performance moyenne et de la performance du pire individu sur quatre-vingt-six generations.
Sur ces experiences, Ch. Jacob rapporte que sur vingt evolutions simulees, chacune limitee a
cent generations, et impliquant une population de cinquante individus engendres aleatoirement,
dix programmes ont nalement ete obtenus qui visitent les quarante-quatre cases de nourriture en
moins de quatre-cents actions. Il serait evidemment interessant de savoir comment se comportent
ces programmes sur la même tâche mais dans un environnement dierent.
8.5.6 Une analyse de la programmation genetique
30
20
t 15
10 0 10
East
5
5
15 10
0 South
10 15
5 East
5 0
10
South 15
Fig. 8.14 { Le comportement du meilleur programme de la generation 59. Toutes les cases de
nourriture sont visitees sans detours inutiles. (D'apres [Jac01], p.401).
AntTracker
seq,
ifSensorwallseqturnLeft, turnLeft, again,
seq,
ifSensorwallseqturnLeft, again, turnRight,
ifSensorwallseqturnLeft, again, advance,
ifSensordustseqturnLeft, again,
ifSensorwallseqifSensordustadvance,
seqifSensordustseqturnLeft, again,
ifSensorwallseqturnLeft, again, advance
Fig. 8.15 { Le programme du meilleur individu de la generation 59. (D'apres [Jac01], p.401).
Le theoreme des schemas est dicile a appliquer dans le cas de la programmation genetique
notamment parce que les primitives de construction peuvent migrer d'un endroit a l'autre en
cours d'evolution et aussi parce que la representation des individus est de longueur variable.
Nous reportons le lecteur interesse a [BNKF98] pp.145 et suivantes pour une discussion sur
les dierentes tentatives d'analyse formelle de la programmation genetique. Il y a la encore un
territoire a explorer.
Finalement, il est important de noter que dans le cas de la programmation genetique, les
espaces des hypotheses H et des genotypes G sont de fait confondus. C'est en eet le même
espace qui sert a l'exploration (rôle de G ) et a l'evaluation (rôle de H). Un programme est ainsi
a la fois l'objet subissant les operateurs genetiques et l'objet s'exprimant dans l'univers pour y
produire une certaine performance.
8.6 La coevolution
Les approches mentionnees jusqu'ici cherchent a optimiser une fonction de performance
xee une fois pour toutes par l'objectif et par l'environnement connu par l'intermediaire d'un
Sorted Fitnesses History, Gen. 39
40
20
Fit.
0 Fit.
40
40 Best
-20 30 30
0 20Gen. Mean
20 10 20
Indiv. 40 10
Worst
Gen.
20 40 60 80
Fig. 8.16 { A gauche, l'evolution des performances des cinquante programmes sur les trente-
neuf premieres generations. A droite, l'evolution des performances du meilleur
individu, de la moyenne et du pire individu, sur quatre-vingt-cinq generations.
(D'apres [Jac01], p.418).
echantillon d'apprentissage. La recherche d'une bonne hypothese s'eectue alors dans l'espace
des hypotheses H grâce a des manipulations dans l'espace genotypique G . On espere que la
representation choisie pour G et les operateurs de transformation selectionnes rendront la re-
cherche ecace. Cependant, il est peut-être possible de faire mieux encore en adaptant dyna-
miquement la fonction de performance que l'algorithme cherche a optimiser. L'idee serait de
faciliter l'exploration de l'espace d'hypotheses en cherchant d'abord des optima faciles a trou-
ver, puis en ranant progressivement le critere objectif. D'une certaine maniere, il s'agit la de
l'idee mise en uvre dans le recuit simule par exemple. Un processus de recherche de moins
en moins stochastique permettait de focaliser le systeme sur les zones les plus prometteuses
de l'espace de recherche. Dans le cas des algorithmes operant sur le genotype par evolution de
populations, il est possible de realiser cette idee d'une autre maniere inspiree par l'observation
de l'evolution dans la nature.
Le principe est de faire dependre la fonction de performance utilisee pour la selection des
meilleurs individus d'une population PG1 (t) d'une autre population PG2 (t), elle-même sous la
dependance d'une fonction de performance commandee par PG1 (t). La metaphore biologique
est celle de la coevolution proie-predateur, dans laquelle au fur et a mesure que les predateurs
ameliorent leur performance contre les proies, celles-ci modient leur comportement pour dimi-
nuer leur vulnerabilite. Il s'ensuit une sorte de course aux armements qui a la fois rend plus
performants les individus des deux populations, mais aussi les rend davantage specialises face a
un environnement.
D'un point de vue pratique, plusieurs scenarios permettent de realiser une fonction de per-
formance dependant d'une autre population. Par exemple, dans certains cas, il est possible de
tester chaque individu contre tous les individus de la population adverse. On peut aussi tester
chaque individu contre le meilleur adversaire. Ou encore, on peut tester des individus pris au
hasard dans une population contre des adversaires egalement tires au hasard dans l'autre po-
pulation. De la sorte, chaque population devrait ameliorer sa performance face a la fonction de
performance evoluant dynamiquement.

Cette approche a ete etudiee dans le cadre de la modelisation de phenomenes naturels.
Mais elle a aussi ete utilisee pour des problemes d'optimisation. Ainsi, [Hil92, AP93, Sim94]
ont documente des ameliorations parfois considerables obtenus par coevolution dans plusieurs
problemes d'optimisation. Par exemple, [Ron96] a etudie le probleme du robot fourmi decrit
plus haut dans lequel les morceaux de nourriture eux-mêmes evoluaient an dechapper a une
population de robots-fourmi. Il a montre alors une evolution plus rapide du comportement des
robots-fourmi. Cette approche a egalement ete utilisee par Jannink ([Jan94]) pour optimiser
des generateurs de nombres pseudo-aleatoires. L'idee etait qu'une population de testeurs de
caractere aleatoire de sequences produites par une population de generateurs coevoluait avec
celle-ci.
L'idee de coevolution est encore preliminaire et ouverte a recherche. Une voie a explorer est
celle de cooperation plutôt que celle de confrontation. La theorie des jeux est un guide utile en
ce domaine.
Citons pour nir les travaux sur l'evolution des operateurs genetiques eux-mêmes pendant
le processus d'optimisation.
8.6.1 Un exemple d'ecologie : les systemes de classeurs
Un interessant exemple d'ecologie d'hypotheses est fourni par le systemes de classeurs (clas-
sier systems) imagine par John Holland en 1975, bien avant que l'on parle de coevolution.
Le principe est celui d'un agent place dans un environnement dynamique, contrôle par un
systeme expert dont les regles servent a interpreter le monde et a prendre des decisions qui sont
alors mises en uvre a l'aide d'eecteurs. Les regles appelees classeurs ont le format suivant :
if condition then action.
Comme dans un systeme expert classique, chaque regle peut être declenchee par la situation
courante qui resulte a la fois de la perception et des inferences conduites par le systeme. Cette
situation est representee dans une memoire a court terme ou memoire de travail. A chaque
instant l'ensemble des regles courantes (la population) examine la memoire de travail pour voir
si ses conditions de declenchement sont realisees. Contrairement a un systeme expert classique ou
seule une regle est declenchee apres selection, ici toutes les regles declenchables sont declenchees
et contribuent ainsi a l'inference courante. Celle-ci modie alors la situation courante et le cycle
recommence (voir gure 8.17).
D'un certain côte, on peut concevoir ce systeme de regles comme une ecologie avec des regles
se specialisant dans certains types de tâches et contribuant ainsi a la performance globale. Le
probleme est de faire evoluer un tel systeme ecologique. Pour ce faire, Holland a propose un
systeme de retribution de merite fonctionnant un peu comme une economie ou des entreprises
en competition pour des contrats remunerent leurs sous-traitants, devenant plus riches si le
contrat est remporte, ou s'appauvrissant dans le cas contraire. Cette redistribution des merites
est assez proche des methodes d'apprentissage par renforcement avec trace d'eligibilite (voir
chapitre 16). Le merite attribue de la sorte sert alors de mesure de performance pour chaque
regle et le fonctionnement classique d'un algorithme genetique est alors utilise pour determiner
les parents de la generation suivante.
Nous n'entrons pas davantage dans les details, reportant le lecteur interesse a [BGH89].
Malgre la seduction exercee par cette idee, elle n'a pas permis jusqu'a present d'obtenir de
resultats probants, notamment parce que la redistribution des merites est tres lente et ne permet
pas une evolution rapide de la population. Peut-être que les prochaines generations de machines
et des conceptions neuves sur la coevolution donneront un jour une nouvelle jeunesse a cette idee
seduisante car elle correspond a l'evolution d'une societe d'individus specialises fonctionnant sur
le mode de competition/cooperation.
Population de classeurs
Classeur-1 Condition Action
Classeur-2
. .
. .
. .
. .
Classeur-N
(1) (2)
Description-1
Description-2
Message de Action sur

l'environnement l'environnement
Mémoire de travail
(situation courante)
Fig. 8.17 { Schema d'un systeme de classeurs. En (1), les messages de la memoire de travail
sont compares aux regles du systeme. En (2), les regles declenchees inscrivent des
messages dans la memoire de travail, correspondant soit a des interpretations sur le
monde, soit a des decisions qui seront mises en uvre par des eecteurs.
Notes historiques et approfondissements

La metaphore de l'evolution comme base possible pour des algorithmes d'apprentissage en
intelligence articielle remonte aux annees 1950 et 1960. Dans les annees 1960, Rechenberg intro-
duisit l'approche des strategies d'evolution qu'il utilisa pour optimiser des fonctions a parametres
a valeurs reelles pour la conception de systemes mecaniques. Cette idee a ete developpee par
Schwefel en Allemagne dans les annees 1970. Elle conna^t un grand regain d'interêt ces dernieres
annees car elle s'applique assez naturellement a de nombreux problemes d'optimisation. Par
ailleurs, elle evite certains problemes de codage que l'on rencontre avec les algorithmes bases sur
une representation par cha^nes de bits. Nous n'en avons pas parle par manque de place, mais
cette approche a fait l'objet recemment de nombreux articles dans des conferences et des revues
portant sur les algorithmes d'evolution simulee.
Les premiers modeles de processus d'adaptation portant sur des populations d'individus par
algorithmes genetiques sont dus a John Holland et ont ete popularises par son ouvrage [Hol75].
Outre une modelisation de l'adaptation par utilisation d'operateurs genetiques et de selection
des meilleurs individus d'une population a la suivante, Holland proposa une analyse theorique de
ces algorithmes par le theoreme des schemas. Son interêt principal alors et maintenant portait
sur l'evolution de population de regles (classier systems). Les algorithmes genetiques connurent
un vif developpement dans les annees 1980 et lancerent veritablement le mouvement pour les
algorithmes evolutionnaires.
L'approche initiee par Fogel, Owens et Walsh dans les annees 1960 sur les strategies d'evolution
dans le cadre de populations d'automates a etats nis reste minoritaire dans les recherches et les
applications actuelles. Il n'est pas impossible que le developpement des applications en prediction
temporelle ne relance cette voie.
Une approche liee aux strategies d'evolution et qui etend les algorithmes genetiques de Hol-
land a des representations plus larges est celle de la programmation genetique dont Koza s'est
fait un avocat puissant [Koz92, Koz94, KA99]. Des conferences et des revues sont maintenant
entierement consacrees a cette famille d'algorithmes.
Globalement, la technique des algorithmes d'evolution articielle est devenue tres populaire,
autant que les reseaux connexionnistes. Elle le doit en particulier au fait qu'elle peut s'appliquer
dans de tres nombreux contextes pour lesquels les techniques d'optimisation traditionnelles sont
mises en echec par manque de (( regularite )) de l'espace des fonctions cible. Les recherches
sont actives, tant pour investiguer de nouvelles variations algorithmiques que pour essayer d'en
faire une analyse theorique. Cette derniere est dicile. Elle est liee a la fois aux theories de
l'optimisation et a des theories sur les processus de diusion par exemple.
Resume
Les algorithmes evolutionnaires exploitent un decouplage de l'espace d'hypotheses
en un espace phenotypique (dans lequel les hypotheses ont une description portant
sur le monde et sont donc evaluables) et un espace genotypique (dans lequel les hy-
potheses, representees par des genomes, subissent un processus d'evolution simulee).
L'espoir est que les operateurs genetiques utilises pour faire evoluer les hypotheses, en
particulier le croisement et la mutation, fassent evoluer la population d'hypotheses
vers les regions de H ou se trouvent les hypotheses les meilleures.
L'un des interêts des algorithmes evolutionnaires est leur large domaine d'appli-
cations puisqu'ils permettent d'explorer des espaces d'hypotheses dans lesquels la
fonction de performance attachee aux hypotheses n'est pas derivable. C'est pour-
quoi ils sont frequemment utilises.
Plusieurs familles d'algorithmes ont ete developpees, dont principalement : les al-
gorithmes genetiques utilisant plutôt une representation binaire des genomes, les
strategies d'evolution reposant sur une representation par automates, la program-
mation genetique travaillant dans un espace de programmes representable par des
arbres. Il existe egalement une extension appelee coevolution pour laquelle la fonc-
tion d'evaluation des hypotheses elle-même resulte d'un processus evolutif dans un
jeu de competition.
Troisieme partie
Apprentissage par optimisation
Chapitre 9
L'apprentissage de surfaces
separatrices lineaires
Ce chapitre explique comment on peut apprendre un concept sous la forme geometri-

que la plus simple : celle d'un hyperplan. En pratique, on dispose d'exemples et de
contre-exemples dans l'espace de representation, qui est ici necessairement numerique.
On cherche a trouver une formule aussi simple que possible pour generaliser ces
elements d'apprentissage. Cette formule est une combinaison lineaire sur les attri-
buts, ayant la propriete suivante : quand un objet inconnu est a classer comme ap-
partenant au concept ou rejete par le concept, on eectue un calcul lineaire sur les
attributs de cet objet. Le signe du resultat indique la decision a prendre. Geometri-
quement, cela revient a dire qu'une fois terminee la phase d'apprentissage, l'espace
de representation est partage en deux par une surface lineaire et que l'un des demi-
espaces correspond au concept, l'autre a sa negation.
Ces methodes ont une longue histoire en informatique, puisqu'on les a proposees
comme l'archetype de l'apprentissage articiel des le debut des annees 1960. Elles
ont toujours une grande importance, pour plusieurs raisons. La premiere est la sim-
plicite du calcul de la decision. Ensuite, elles sont robustes au bruit. D'autre part, on
dispose d'une variete d'algorithmes d'apprentissage, dont la plupart permettent une
interpretation sous la forme de l'optimisation d'un critere comprehensible sur l'en-
semble d'apprentissage. Ces methodes ont ete generalisees a la n des annees 1980
par les reseaux connexionnistes : il est dicile de bien comprendre le fonctionne-
ment de ceux-ci sans conna^tre leur version primitive. Enn, dans les annees 1990,
une nouvelle impulsion a ete donnee a ce type de methodes par l'invention des e-
caces SVM (support vector machines ou separateurs a vaste marge), qui font subir
une transformation non lineaire a l'espace de representation avant d'y chercher une
surface separatrice lineaire.
280
ans l'avant-propos, nous avons donne un exemple d'apprentissage d'une regle de
D decision sous la forme d'une droite dans l'espace de representation : on se souvient

que les cygnes et les oies etaient representes par deux attributs observables, leur
niveau de gris et leur taille. La formule magique permettant de decider a laquelle
de ces deux especes appartenait un oiseau inconnu etait le calcul d'une combinaison lineaire sur
les valeurs numeriques de ces deux attributs. Ce chapitre etudie de maniere plus formelle les
caracteristiques de cette formule magique, sa mise en uvre et ses proprietes.
Nous allons reprendre l'exemple des cygnes de maniere un peu dierente pour introduire
les problematiques qui seront developpees dans ce chapitre. D'abord, donnons un ensemble
d'apprentissage, sur les mêmes deux dimensions, compose d'observations d'oies (notees ici O) et
de cygnes (Z).
O
O O
O O
O O
O O
O
ZZ Z
O O Z Z
O OO Z
Z Z
Z Z Z Z
Z Z Z
Z Z Z Z
Fig. 9.1 { Deux separations lineaires possibles pour deux classes.
Pour trouver le concept geometrique qui denit la dierence entre un cygne et une oie, il
sut de tracer une droite dans cet espace de representation. Comment tirer au mieux parti
des donnees d'apprentissage? Considerons deux criteres simples. Le premier repond au principe
d'apprentissage ERM : on cherche la droite qui minimise le nombre d'erreurs dans l'ensemble
d'apprentissage. Elle est donnee en trait plein sur la gure. On remarque qu'un seul oiseau est
mal classe par l'hyperplan separateur, qui est ici la droite verticale. Ce point est indique par le
graphisme Z.
L'autre critere represente sur la gure est un peu plus elabore : il minimise une quantite
qui tient compte de tous les points d'apprentissage et repond au principe bayesien : la droite
obtenue, tracee en pointilles, bien qu'elle ait une erreur apparente de cinq elements d'appren-
tissage (indiques en gras), est plus equilibree et re ete mieux la geometrie globale du concept a
Chapitre 9 L'apprentissage de surfaces separatrices lineaires 281
apprendre. Nous ne serons pas plus precis pour le moment : la formalisation de ce type de critere
sera donnee dans ce chapitre. Constatons simplement que si on suppose, comme il se doit, que
les points d'apprentissage sont representatifs de la geometrie du concept cherche, cette seconde
droite semble mieux predire la repartition des observations dans l'espace choisi.

0x 1
1
x = @ .. C
B . A Un vecteur
xd
xT = (x1; : : : ; xd ) Un vecteur transpose

jj x jj La norme du vecteur x
M ;1 La matrice inverse d'une matrice carree M
MT La matrice transposee d'une matrice M
M+ La matrice pseudo-inverse d'une matrice M .
Par denition, M + = M T (MM T );1
(x; y) La distance euclidienne entre deux vecteurs x et y de IRd
@
@x f (x; y) La derivee partielle par rapport a x
de la fonction f des deux variables x et y
rA J (A; B) Le vecteur derive par rapport au vecteur A
de la fonctionnelle J des deux vecteurs A et B
9.1 Generalites.
9.1.1 Hyperplans separateurs et discriminants dans un probleme a deux
classes.
Quand on est dans un espace de representation euclidien, on peut librement faire des hy-
potheses sur la geometrie des classes ou sur celles de leurs surfaces separatrices ; ceci permet
de mettre au point des techniques d'apprentissage non statistiquement fondees a priori, mais
peut-être plus faciles a appliquer. La plus simple d'entre elles est de supposer que deux classes
peuvent être separees par une certaine surface, denie par une equation ; les parametres qui
regissent cette equation sont alors les variables a apprendre. Cette hypothese n'est pas au fond
tellement plus forte que de supposer que les classes sont de nature gaussienne, comme on le
fera par exemple au chapitre 14 ; elle est souvent bien sûr fausse, mais peut mener a une pro-
babilite d'erreur raisonnable dans un bon nombre de problemes. Cette probabilite d'erreur doit
evidemment être evaluee objectivement, sur un ensemble de test ou par les methodes presentees
au paragraphe 3.4.5.1.
Le nombre de parametres a calculer est minimal si l'on suppose cette surface lineaire ; aussi
est-ce l'hypothese qui prevaut dans la plupart des cas, d'autant qu'elle permet de mener des
calculs faciles et de visualiser precisement le resultat obtenu.
Dans IRd , une surface lineaire est un hyperplan A, deni par l'equation :
a0 + aT x = 0 (9.1)
282 PARTIE 3 : Apprentissage par optimisation
avec a vecteur de dimension d et a0 scalaire. Si deux classes !1 et !2 sont separables par A,

tous les points de la premiere classe sont par exemple tels que :
x 2 !1 ) a0 + aT x 0 (9.2)
et ceux de la seconde verient alors :
x 2 !2 ) a0 + aT x 0 (9.3)
Dans un espace de dimension d = 1, une separation lineaire se reduit a la comparaison a un
seuil. Prenons ce cas particulier pour donner deux exemples ou un probleme de discrimination
a deux classes ne peut pas en pratique être completement resolu par une separatrice lineaire.
Exemple 4
Cherchons a classer les hommes et les femmes sur la seule mesure de leur taille. Bien que
les hommes soient en general plus grands que les femmes, aucun echantillon d'apprentissage
representatif ne permettra de xer une valeur pertinente pour le seuil, etant donne qu'il existera
evidemment toujours certains hommes plus petits que certaines femmes. Dans ce cas, c'est
l'espace de representation qui est trop pauvre : d'autres criteres doivent être mis en uvre pour
decider sans erreur du sexe d'un individu.
Supposons pour un autre exemple qu'un avimateur cherche a discriminer les eiders (Soma-
tiera mollissima) mâles des femelles par le niveau de gris moyen de leur plumage. La encore,
un seuil sur cette mesure donnera une classication confuse ; mais, cette fois, l'espace de mesure
est susant ; c'est en revanche la denition des classes qui est trop pauvre. En eet, les femelles
sont toutes marron clair ; mais les mâles sont soit blanc brillant quand on les observe de face,
soit noirs quand ils sont vus de dos. Il faudrait donc subdiviser cette derniere espece, ce qui
rendrait possible une bonne separation lineaire en trois classes (eider mâle vu de face, eider mâle
vu de dos, eider femelle) par deux seuils sur les couleurs. Il surait ensuite de regrouper les
deux classes extrêmes pour avoir resolu le probleme dans l'espace de representation initial. Cet
exemple sera detaille au debut du chapitre suivant, pour presenter les reseaux connexionnistes.
Denition 9.1 (Hyperplan separateur. Separatrice lineaire)
On appelle hyperplan separateur ou separatrice lineaire un hyperplan qui separe parfaitement les
deux classes, c'est-a-dire qui verie les equations 9.2 et 9.3 ; en particulier, il separe parfaitement
leurs points d'apprentissage.
Il n'est en general pas possible d'en trouver un. On se contentera donc de chercher un
hyperplan discriminant qui en sera une approximation, au sens d'un critere a xer.
Le probleme de l'apprentissage de surfaces lineaires n'est autre que la recherche des pa-
rametres a et a0 separant le mieux possible les points d'apprentissage de !1 et de !2 dans
l'espace IRd et pourvues de la meilleure faculte de generalisation possible.
9.1.2 Un peu de geometrie dans IRd
Un hyperplan dans IRd , ou les coordonnees sont notees x1 ; : : : ; xd , est deni par d + 1 pa-
rametres a0 ; a1 ; : : : ; ad . Il repond a l'equation :
a0 + a1 x1 + + adxd = 0 (9.4)
En notant vectoriellement aT = (a1 ; : : : ; ad ) et xT = (x1 ; : : : ; xd ), l'equation 9.4 s'ecrit de
maniere equivalente : a0 + aT x = 0.
Un hyperplan d'equation a0 P + aT x = 0 a pour vecteur normal a. Sa distance algebrique a
l'origine vaut jjaa0jj avec jj a jj2 = di=1 a2i .
La gure 9.2 montre un hyperplan a deux dimensions qui est la droite d'equation g(x) =
a0 + a1x1 + a2x2 = 0, ainsi que son vecteur normal a.
Cette gure donne aussi la distance de deux points particuliers a cet hyperplan: l'origine, a
la distance jjaa0jj , et un point y de l'autre côte de la droite, a la distance gjj(ayjj) . Les signes de ces
deux distances algebriques sont opposes, puisque les deux points ne sont pas du même côte de
l'hyperplan. Le signe de la distance de l'origine a l'hyperplan est le même que celui de a0 .
x2
b y
a
g (y )
b
jjajj
a0
jjajj
b
x1
b
g(x) = a0 + a1 x1 + a2 x2 = 0
Fig. 9.2 { La geometrie d'un hyperplan.
Pour caracteriser l'hyperplan d'equation a0 + aT x = 0, on peut rassembler tous ses pa-

rametres dans un vecteur A de dimension d + 1 construit comme :
AT = (a0 ; aT ) = (a0 ; a1 ; : : : ; ad )
Par extension, on note A l'hyperplan lui-même. Notons qu'en realite il sut de d parametres
pour denir un hyperplan : on peut sans perdre de generalite imposer par exemple : a0 = 1.
Posons g(x) = a0 + aT x et notons (y; A) la distance entre l'hyperplan A d'equation
g(x) = 0 et un point y de IRd . Elle est denie comme la distance entre y et le point de A le
plus plus proche de y. Ce point n'est autre que la projection orthogonale de y sur A. La valeur
(y; A) est, comme on l'a vu, une distance algebrique donnee par la formule :
(y; A) = jjg(ay)jj
9.2 L'apprentissage d'un hyperplan pour discriminer deux classes

9.2.1 Une solution globale
Supposons pour le moment que les deux classes !1 et !2 soient parfaitement separables par
un hyperplan. Il existe donc un vecteur a caracterisant cet hyperplan separateur tel que :
aT x positif pour x 2 !1 ;
aT x negatif pour x 2 !2 .
Notons qu'il est facile de se ramener a ce cas quand c'est le contraire qui se produit, en inversant
simplement le signe de toutes les coordonnees de a. La formalisation de la separation lineaire
pour un probleme a deux classes se fait alors en plongeant le probleme dans l'espace de dimension
d + 1.
Le vecteur a et le scalaire a0 sont transformes en un vecteur A en ajoutant a0 a a comme
une coordonnee de rang 0, ce qui se note : AT = (a0 ; aT ). On impose une valeur non nulle a a0 ,
par exemple a0 = 1.
Soit S l'ensemble des donnees d'apprentissage : il est compose de m exemples (x; !) ou x est
un vecteur de IRd et ! 2 f!1 ; !2 g. Au besoin, on notera xj le j eme point de A. On transforme
ces exemples en vecteurs X de IRd+1 par :
x 2 !1 ) X T = (1; xT ) (9.5)
x 2 !2 ) X T = (;1; ;xT ) (9.6)

Par consequent, quelle que soit la classe de x, on a desormais : AT X 0 (rappelons que
l'hyperplan caracterise par le vecteur A est pour le moment suppose separateur : tous les points
sont bien classes).
Si on range maintenant les m vecteurs X comme les colonnes d'une matrice M , il est alors
facile de voir le probleme de separation lineaire comme la recherche d'un vecteur A dans IRd+1
tel que :
AT M = B T (9.7)
ou B est un vecteur positif de IRm (dont toutes les coordonnees sont positives).
Ceci revient a dire que l'on recherche un hyperplan dans l'espace de representation augmente
d'une dimension, avec les contraintes qu'il passe par l'origine et que B reste positif. Cette
manipulation mathematique n'a d'autre but que de rendre plus aisee la resolution du probleme.
Cette equation ne peut pas se resoudre dans le cas general, puisque M n'est pas inversible
(c'est une matrice a d +1 lignes et m colonnes) et que B est inconnu. De plus, il faut maintenant
traiter le cas general ou les classes et les donnees d'apprentissage ne sont pas separables. On se
ramene donc a la recherche d'une separatrice lineaire en cherchant un hyperplan A le meilleur
possible pour distinguer les deux classes. Par exemple, celui qui minimise le critere :
J (A; B ) = 21 jj AT M ; B T jj2 (9.8)
Pourquoi choisir cette valeur? Si les deux classes sont separables, il existera un couple (A; B )
avec B positif pour lequel ce critere sera exactement nul. En imposant dans le cas general la
contrainte B positif ou nul, on peut donc comprendre intuitivement qu'une bonne solution
approchee pour A rendra J (A; B ) assez petit. Donnons une justication plus profonde a cet
argument.
J (A; B) peut s'ecrire :
X m
J (A; B ) = 21 [AT X j ; bj ]2
j =1
X j etant la projection dans l'espace de dimension d + 1 du j eme point d'apprentissage xj . On
sait (voir le chapitre 3, paragraphe 9.1.2) que la distance (xj ; A) du point xj a l'hyperplan
caracterise par le vecteur A a pour valeur :
(xj ; A) = a jjxja+jj a0 = Ajj aXjjj
T T
Son carre peut donc s'ecrire :
[(xj ; A)]2 = (Ajj aXjjj2)
T 2
On en deduit :
X
m
J (A; B ) = 2 jj 1a jj2 [(xj ; A) ; bj jj a jj]2
j =1
Pour les points de A bien classes par l'hyperplan A, le terme [(xj ; A) ; bj jj a jj]2 peut
être annule en choisissant bj = (jjxajjj;A) , qui est positif. Pour les points mal classes, a defaut de
pouvoir prendre bj negatif, le mieux que l'on puisse faire est d'imposer bj nul.
Minimiser J (A; B ) sous la contrainte B positif ou nul revient donc d'une certaine maniere a
se placer dans le cadre du critere des moindres carres 3 : on cherche l'hyperplan A qui minimise
la somme des distances entre A et les points de l'ensemble d'apprentissage que A classe mal.
On a, si A et B minimisent eectivement J (A; B ) :
X
[J (A; B )] = [(x; A)]2
x2S mal classe par A
Par consequent, sous l'hypothese que les distances entre A et les points mal classes par A
sont reparties selon une distribution gaussienne, et que ceux-ci sont les seuls a compter dans
le positionnement de A, la minimisation de J (A; B ) est la recherche du meilleur hyperplan
a posteriori (au sens bayesien), c'est-a-dire le plus probable connaissant les donnees (voir le
chapitre 14, paragraphe 14.1.6).
Resolution
Les equations classiques de l'algebre lineaire fournissent la valeur du gradient de J (A; B )
par rapport a A :
rAJ (A; B ) = (AT M ; BT )M T (9.9)
Comme J (A; B ) est toujours positif ou nul, son minimum est atteint pour :
rAJ (A; B ) = 0 (9.10)
ce qui fournit quand la matrice M T M est inversible (ce qui est vrai en general) :
AT = B T M + (9.11)
avec M + = M T (MM T );1 pseudo-inverse de M .
Par consequent, si le vecteur B etait connu, la solution a notre probleme consisterait sim-
plement a calculer A par la formule :
AT = B T M + (9.12)
A defaut de conna^tre exactement B , on sait qu'il est positif quand les donnees sont separables.
On peut, conformement a ce qui a ete dit plus haut, chercher une solution qui approche ce cas
ideal en fournissant des valeurs strictement positives pour les coordonnees de B correspondant
a des points bien classes, et des valeurs nulles pour les points mal classes. Dans cette optique,
l'algorithme cherche doit realiser une minimisation de J (A; B ) sous la contrainte B positif ou
nul.
On dispose alors de deux types de methodes pour nir de resoudre le probleme : celles
reposant sur un calcul numerique global direct et celles qui procedent de maniere iterative sur
les donnees d'apprentissage (on en verra une au paragraphe suivant). La methode globale la
plus simple est la programmation lineaire : si l'on ne retient de B que sa positivite, l'equation
ci-dessus se ramene a m inequations lineaires dans l'espace de dimension d + 1. Le probleme est
donc de grande taille si le nombre d'exemples est important. Les methodes globales sont donc
peu employees ici.
9.2.2 Une methode iterative : l'algorithme de Ho et Kashyap.
Cette methode consiste a partir d'un vecteur B 0 arbitraire, puis a en deduire une suite
convergente de valeurs A(t) et B (t) de vecteurs parametres du probleme. Son principe est le sui-
vant : si l'on suppose conna^tre un certain B (t) , on sait que l'on peut calculer A(t) par l'equation
9.11, soit ici :

AT(t) = BT(t) M + (9.13)
On cherche a minimiser le critere J (A(t) ; B (t) ). Comment modier B (t) pour diminuer cette
valeur? Simplement en calculant le gradient de J (A(t) ; B (t) ) par rapport a B (t) et en en deduisant
une valeur B t+1 telle que :
J (A(t) ; B(t+1) ) J (A(t) ; B (t) ) (9.14)
Ce gradient vaut :
rB(t) J (A(t) ; B (t) ) = rB(t) jj AT(t) M ; B T(t) jj= ;2(AT(t) M ; BT(t) ) (9.15)
Une facon de reduire J (A(t) ; B (t) ) est d'utiliser la methode de la descente de gradient (voir
l'annexe 18.2), qui consiste ici a retrancher a B (t) un vecteur colineaire a rB(t) J (A(t) ; B (t) ),
donc a faire :
BT(t+1) = BT(t) + (AT(t) M ; B T(t) ) (9.16)
ou est un coecient positif qui regle la vitesse de convergence de l'algorithme.
Il y a cependant une precaution a prendre : celle d'eviter de rendre negatifs des termes de
B(t+1) ; pour cela, on remplace simplement dans (AT(t) M ; BT(t) ) tous les termes negatifs par 0,
ce qui donne un vecteur note bAT(t) M ; B T(t) c.
On demontre que cette procedure converge vers une valeur nulle de J quand les deux classes
sont separables, vers une valeur positive sinon ; cette derniere valeur peut cependant ne pas être
le minimum global de J (A; B ) sur toutes les valeurs possibles de A et B . L'algorithme 9.1 decrit
cette procedure.
Le critere d'arrêt peut être, par exemple :
J (A(t) ; B (t) ) ' J (A(t+1) ; B (t+1) )
ou bien :
t tmax
La valeur peut être consideree, du point de vue de l'apprentissage, comme l'importance de la
punition ou de la recompense que l'on applique aux parametres pour les modier ; c'est d'ailleurs
une remarque generale pour toutes les methodes de gradient. Grande, elle permet une bonne
exploration de l'espace decrit par J , mais peut faire varier erratiquement les vecteurs A(t) et
Algorithme 9.1 Algorithme de Ho et Kashyap
Prendre B 0 et positif quelconques
t 0
tant que critere d'arrêt non satisfait faire
AT(t) BT(t) M +
BT(t+1) BT(t) + bAT(t) M ; B(t) cT
t t+1
n tant que
B(t) et interdire en pratique leur convergence ; petite, elle donne une vitesse de convergence lente
et peut mener trop facilement a un optimum local.

Il existe diverses possibilites pour regler automatiquement qui ont ete largement etudiees
dans le cadre des methodes generales d'optimisation par les techniques de descente de gradient.
L'une d'entre elles a par exemple pour principe de reduire cette valeur au fur et a mesure de
la croissance de t : on peut la voir comme un survol exploratoire a grande vitesse du \paysage\
J , progressivement remplace par une descente de plus en plus lente vers le minimum entrevu
comme le plus prometteur 1 .
9.2.3 Un autre calcul : l'algorithme du perceptron

Bien que desormais peu utilise en pratique, cet algorithme est presente ici a deux titres.
D'abord pour son interêt historique, puisqu'il date pratiquement de l'invention de l'ordinateur
et qu'il a ete presente a sa naissance comme une bonne maniere de simuler les facultes d'ap-
prentissage 2 . Ensuite et surtout parce qu'il est a la base des methodes connexionnistes etudiees
dans le chapitre 10. Nous avons deja fait allusion au perceptron dans le chapitre 1.
Cet algorithme travaille directement sur le vecteur a qui caracterise la surface discriminante
cherchee. On n'a donc plus besoin ici de se placer dans l'espace de representation de dimension
d + 1 ni d'utiliser le vecteur A. Cet algorithme travaille de facon iterative : il prend les donnees
d'apprentissage les unes apres les autres, chacune etant choisie soit par un passage systematique
dans l'ensemble d'apprentissage (version (( non-stochastique ))), soit par un tirage au hasard
dans celui-ci (version (( stochastique ))). Son nombre d'etapes eectives peut être important : un
seul (exactement ou en moyenne) passage des donnees n'est en eet pas susant pour le faire
converger.
9.2.3.1 L'algorithme stochastique

Dans sa version stochastique, l'algorithme du perceptron se decrit par l'algorithme 9.2 : a
l'etape t de son calcul, le vecteur a est note a(t) ; le nombre maximal d'etapes est xe a tmax .
On constate qu'il n'y a pas de modication si la donnee lue est classee correctement. En
revanche, en cas de mauvais classement, la valeur courante a(t) de a est corrigee.
1. Ou comme la tactique normale d'un joueur de golf, qui joue des clubs de moins en moins (( longs )) pour être plus
precis au fur et a mesure qu'il se rapproche du trou.
2. (( Le perceptron a appris a lire )), tel etait le titre d'un article de la revue de vulgarisation scientique Atomes de
fevrier 1962.
Algorithme 9.2 Le perceptron, version stochastique.
Prendre a(0) et positif quelconques
t 0
tant que t tmax faire
tirer au hasard une donnee d'apprentissage x
si x est bien classe alors
a(t+1) a(t)
sinon
si x 2 !1 alors
a(t+1) a(t) + x
sinon
a(t+1) a(t) ; x
n si
n si
t t+1
n tant que
9.2.3.2 Convergence
Le calcul suivant montre empiriquement en quoi cette tactique est fondee : supposons que la
donnee d'apprentissage x appartienne a la classe !1 ; on sait que dans ce cas, puisqu'il est mal
classe, AT(t) x est negatif au lieu d'être positif.
aT(t+1) x = (a(t) + x)T x = aT(t) x + xT x = aT(t) x + jj x jj aT(t) x (9.17)
Par consequent, puisque la valeur aT x a augmente, la donnee x devrait avoir a son prochain
passage plus de chances de verier l'inegalite aT x 0 et d'être donc bien classee dans la classe
!1 . Le calcul est analogue dans le cas ou une donnee devant appartenir a !2 est mal classee : la
valeur aT(t+1) x devient inferieure a aT(t) x, ce qui la rapproche de la valeur negative qu'elle aurait
dû prendre.
Cette justication est en fait rigoureusement demontree par un theoreme de convergence
qui, comme dans le cas precedent, assure que dans le cas de classes separables, un hyperplan
convenable est trouve en un nombre ni d'etapes.
9.2.3.3 La version non-stochastique et son interpretation
Reprenons cet algorithme dans sa version non stochastique, dans laquelle les donnees d'ap-
prentissage sont proposees dans l'ordre. L'iteration centrale de l'algorithme (appelee une epoque
d'apprentissage) porte sur le calcul de la modication (notee ci-dessous modif) que subit a par
le cumul des contributions de tous les exemples. La base des exemples intervient plusieurs fois.
L'algorithme 9.3 decrit le processus.
On peut voir cet algorithme dans cette version comme la minimisation du critere
X
J (A) = ; AT x
x2S mal classe par A
x2
1 + x1 ; x2 = 0 ( = 0)
1 + 0:7x1 ; 1:2x2 = 0 ( = 0:1)
2 y
1 ; 0:5x1 ; 2x2 = 0 ( = 0:5)

x1
1 ; 2x1 ; 3x2 = 0 ( = 1)
Fig. 9.3 { Fonctionnement de l'algorithme du perceptron.
En eet, en supposant a0 xe a la valeur 1, on a :

X
raJ (a) = ; x = modif

x2S mal classe par a
Par consequent, la modication apportee au vecteur A par une epoque d'apprentissage est
proportionnelle au gradient du critere J (a). Cet algorithme minimise donc J (a), qui est un
critere un peu dierent de celui de l'algorithme de Ho et Kashyap. L'experience prouve en
general que ce dernier est plus ecace du point de vue de la generalisation.
9.2.3.4 Fonctionnement sur un exemple
Prenons l'espace de representation egal a IR2 (gure 9.3) et supposons qu'a l'iteration t,
l'equation de la surface separatrice courante soit :
x1 ; x2 + 1 = 0 1
Autrement dit, on a xe a0 = 1 et le vecteur courant a(t) vaut : a(t) = ;1 .
0 3 1
Maintenant, supposons que l'exemple suivant soit : (x; c) = @ 2 A
!2
La valeur de l'equation de la separatrice x1 ; x2 + 1 = 0 sur les coordonnees de l'exemple
est donc :
3;2+1 =2
Or, puisque l'exemple (x; c) appartient a la classe !2 , cette valeur devrait être negative. Il faut
donc modier a(t) .
Algorithme 9.3 Le perceptron, version non stochastique.
Prendre A(0) quelconque et positif quelconque
t 0
modif 0
pour chaque donnee d'apprentissage x faire
si x est mal classe alors
si x 2 !1 alors
modif modif + x
sinon
modif modif ; x
n si
n si
n pour
A(t+1) A(t) + modif
t t+1
n tant que
Le calcul a faire, puisque (x; c) 2 !2 , est le suivant :

a(t+1) = a(t) ; :x
Pour = 0:1, on obtient :

a(t+1) = a(t) ; 0:1 32 = ;11 ; 00::32 = ;01:7:2
La surface separatrice courante a donc pour nouvelle equation :
0:7x1 ; 1:2x2 + 1 = 0
On constate graphiquement qu'elle s'est rapprochee du nouvel exemple, sans toutefois bien le
classer.
Pour un pas plus grand, par exemple : = 1, on obtiendrait la separatrice :
;2x1 ; 3x2 + 1 = 0
qui classe correctement le nouveau point.
On verra au chapitre 10 une extension du perceptron au cas de plus de deux classes ; on
verra aussi comment on peut le generaliser en reseau connexionniste.
9.2.4 L'hyperplan discriminant de Fisher

La methode de Fisher diere des precedentes en ce qu'elle ramene d'abord le probleme a
une dimension avant de construire un hyperplan. Pour ce faire, elle va chercher la droite F de
vecteur directeur f passant par l'origine telle que la projection des points d'apprentissage sur F
separe au mieux les deux classes !1 et !2 . Ensuite, elle cherche sur F le point par lequel passe
l'hyperplan discriminant, orthogonal a F .
Notons 1 et 2 la moyenne des points d'apprentissage de !1 de !2 , m1 et m2 le nombre de
points d'apprentissage dans !1 et !2 et denissons :
X
1 = m1 fT x (9.18)
1 x2!1
comme le scalaire donnant la moyenne des valeurs des projections des points de !1 sur F , et
notons de même 2 pour la seconde classe. Denissons aussi :
X
s1 = (f T x ; 1 )2 (9.19)
x2!1
et s2 la dispersion de ces projections. Le critere de Fisher consiste a chercher la droite F telle
que la valeur
J (F ) = (s12 ;+s2)2
2
(9.20)
1 2
soit maximale. Cette valeur est en eet une mesure de la separation des projections des deux
classes sur la droite F . On peut d'ailleurs l'exprimer autrement.
Denissons les valeurs :
X
S1 = (x ; 1 )(x ; 1 )T (9.21)
x2!1
et de même S2 ; la valeur
SI = S1 + S2 (9.22)
est appelee la variance intraclasse totale des donnees d'apprentissage. Denissons aussi la va-
riance interclasse par :
SJ = (1 ; 2 )(1 ; 2 )T (9.23)
Il est alors possible de prouver que :
J (F ) = ff T SSJff
T
(9.24)
I
Finalement, on demontre que le critere J (F ) est maximal pour :
fb = SI;1(1 ; 2) (9.25)
L'hyperplan separateur de Fisher etant orthogonal a la droite F , il a donc pour equation :
fb x ; f0 = 0
La derniere inconnue est la valeur scalaire f0 . Puisque le probleme a ete ramene a une
dimension, il sut pour la determiner de supposer par exemple que les projections de chaque
classe sur F sont gaussiennes et de proceder comme au chapitre 14.
9.2.5 Surfaces separatrices non lineaires

On pourrait assez facilement etendre les calculs et les algorithmes precedents a la recherche
de surfaces discriminantes non lineaires ; cependant, cette approche est rarement poursuivie,
pour deux raisons. D'abord, compliquer les surfaces reviendrait a augmenter le nombre de pa-
rametres a apprendre, ce qui mene a une perte de precision dans leur estimation, pour un nombre
d'exemples donne. Et surtout, en appliquant ainsi le principe ERM sans contrôler la complexite
des hypotheses, on arriverait en augmentant trop le degre de la surface a un apprentissage par
cur. Cette situation est telle que la regle apprise fournit une probabilite d'erreur apparente
nulle, mais classe mal des exemples de test pourtant issus des mêmes processus aleatoires que
les donnees d'aprentissage (voir le chapitre 3). Pour ces raisons, la recherche de surfaces discri-
minantes se limite en pratique a celle d'hyperplans. Nous verrons au chapitre 14 que les surfaces
separatrices implicitement calculees par la methode du plus proche voisin (voir le chapitre 14) et
par les reseaux connexionnistes a couches cachees (chapitre 10) sont des hyperplans par morceaux
(en dimension 2, des \lignes brisees\). On n'a donc en general pas besoin de pousser la recherche
directe de separatrices au-dela de celle des surfaces lineaires.
9.2.6 Et pour plus de deux classes?
Dans le cas ou l'on a un ensemble d'apprentissage representatif de plus de deux classes, il
existe plusieurs facons de generaliser la discrimination lineaire. La premiere est d'apprendre pour
chaque classe un hyperplan qui la discrimine de toutes les autres, ce qui revient a considerer la
reunion de leurs exemples comme negatifs et ceux de la classe en apprentissage comme positifs.
Mais cette facon de faire conduit, comme le montre la gure 9.4, a de larges ambigutes de
classication.
Une autre solution est de chercher une surface discriminante entre chaque couple de classes (-
gure 9.5) ; elle presente l'avantage de dessiner moins de zones ambigues, mais elle a l'inconvenient
de demander le calcul de C (C ; 1)=2 jeux de parametres au lieu de C .
!1
r
!2; !3
!1
!1 ; !2
b !2
!3
!3
!1; !3 !2
Fig. 9.4 { Separation lineaire a plus de deux classes. On separe chaque classe de toutes les
autres : il y a C hyperplans. Le point en triangle est attribue a la classe !1 , le point
en carre est ambigu entre !1 et !2 , le point central est ambigu entre les trois classes.
Sur les sept zones, quatre sont ambigues.
Dans le cas de plus de trois classes, la geometrie de la separation par hyperplans devient
nettement plus complexe : l'espace IRd est en eet partage dans le cas general en n2 +2n+2 zones
convexes par n hyperplans.
!1 !2
!1
!3
!1
r
!2
b
!3
!3 !2
Fig. 9.5 { Separation lineaire a plus de deux classes. On separe chaque classe de chaque autre :
il y a C (C ;1) hyperplans. Le point en triangle et le point en carre sont attribues a la
2
classe !2 , le point central est ambigu entre les trois classes. Sur les sept zones, une
seule est ambigue.
Les problemes d'ambigute peuvent être resolus par un systeme ulterieur de decision sur
l'ensemble des classes, prenant en compte des parametres supplementaires, par exemple la dis-
tance aux hyperplans appris (qui se deduit directement des formules presentees ci-dessus) et/ou
les probabilites a priori des classes. On peut aussi regrouper provisoirement les classes par des
methodes de classication hierarchique, et realiser un processus de decision arborescent sur cette
base. Ceci n'est pas sans rapport avec les methodes des arbres de decision presentees au chapitre
11. Notons aussi que l'algorithme du perceptron, donne ici dans le cas de deux classes, possede
une generalisation naturelle a plus de deux classes qui sera presentee au chapitre 10.
9.3 Les separateurs a vastes marges (SVM)

Ce chapitre est dedie a la recherche du meilleur hyperplan permettant de discriminer deux
classes. Dans les sections precedentes, le critere de performance etait lie au nombre d'exemples
incorrectement classes, et l'apprenant cherchait une fonction de decision du type
;Xd
g(x) = sign w x i i
i=0
c'est-a-dire une fonction indicatrice. Dans ce cas-la, la seule information que l'on obtienne sur
l'entree est qu'elle est d'un côte ou de l'autre de la frontiere de decision. Si l'on considere
maintenant la distance (ou une notion apparent P ee) des exemples a l'hyperplan separateur, et
des fonctions de decision du type h(x) = i=0 wi xi , est-ce que l'apprentissage devient plus
d
performant puisqu'il prend en compte une information supplementaire sur les donnees? La suite
de ce chapitre est dediee a cette question. De fait, une grande partie des methodes recentes et des
travaux theoriques en cours concernent l'apprentissage de separateurs a vastes marges (SVM),
terme que nous avons prefere a celui de machines a vecteurs de support qui est la traduction
litterale des Support Vector Machines developpees originellement par Vapnik dans les annees
1980 et 1990.
Dans cette section, nous presenterons essentiellement la technique des separateurs a vastes
marges dans le cadre de la classication supervisee binaire, donc de la separation de deux classes.
Il existe des generalisations multiclasse de ces techniques, de même que tout un ensemble de
travaux sur l'application de ces methodes a la tâche de regression. Dans l'espace limite de cet
ouvrage, nous en parlerons peu. Pour la même raison, nous nous tiendrons aux idees essentielles
et nous reportons les lecteurs interesses a la litterature foisonnante sur le sujet, en particulier
[CST00, Her02, SBE99, SS02, SBSE00, Vap95] et [AB96] pour une analyse theorique poussee.
Dans un premier temps, nous presentons la (( machinerie )) des separateurs a vastes marges,
sans nous preoccuper de leur justication qui sera l'objet de la deuxieme partie. Nous terminerons
en evoquant les extensions de ces methodes a la classication multiclasse et a la regression, et
en soulignant les liens avec d'autres methodes egalement tres en vogue comme les methodes a
base de fonctions noyau ou le boosting qui est presente dans le chapitre 11.
9.3.1 La recherche des separateurs lineaires a vastes marges
9.3.1.1 Separateurs lineaires et marge

Supposons donne l'echantillon d'apprentissage : S = f(x1 ; u1 ); :::; (xm ; um )g, avec xi 2 IRd ,
ui 2 f;1; 1g. On suppose dans un premier temps qu'il existe une separatrice lineaire permettant
de distinguer les exemples positifs (etiquetes V RAI ou +1) des exemples negatifs (etiquetes
FAUX ou -1). On sait que la recherche d'une telle separatrice dans X revient a chercher une
fonction hypothese h(x) = w>x + w0 telle que :
( (
> >
w xi + w0 < 0 =) ui = +1
0
;1
Cette separatrice est valide sur l'echantillon d'apprentissage si : 8 1 i m ; ui h(xi ) > 0.
Soit encore si :
8 1 i m ; ui (w>xi + w0 ) > 0:
Hyperplan
valide
Marge
maximale
Hyperplan
optimal
Espace des descripteurs
Fig. 9.6 { Separation de deux ensembles de points par des separatrices lineaires. L'hyperplan
se trouvant (( au milieu )) des deux nuages de points est appele hyperplan optimal.
La fonction h(x) correspond a l'equation d'un hyperplan dans X de vecteur normal w. La
distance d'un point x a l'hyperplan d'equation h(x) = w>x + w0 est egale a : h(x)=k w k, ou
k w k est la norme euclidienne du vecteur w. Lorsqu'il existe une separatrice lineaire entre les
points d'apprentissage, il en existe en general une innite. On peut alors chercher parmi ces
separatrices celle qui est (( au milieu )) des deux nuages de points exemples et contre-exemples.
Cet hyperplan optimal est deni par :
Argmax minfk x ; xi k : x 2 IRd ; (w>x + w0 ) = 0 ; i = 1; : : : ; mg
w;w0
c'est-a-dire l'hyperplan qui maximise la distance minimale aux exemples d'apprentissage (voir
gure 9.7). Dans ce cas, la marge vaut : 2=k w k.
Marge
maximale
w
h( x) > 1
1
Vecteurs w
de support
h( x) = + 1
Hyperplan
optimal
h( x) < -1
h( x) = - 1 h( x) = 0
Fig. 9.7 { L'hyperplan optimal est perpendiculaire au segment de droite le plus court joignant
un exemple d'apprentissage a l'hyperplan. Ce segment a pour longueur kw1 k lorsqu'on
normalise convenablement les parametres w et w0 .
9.3.1.2 L'expression primale du probleme des SVM

La recherche de l'hyperplan optimal revient donc a minimiser k w k, soit a resoudre le
probleme d'optimisation suivant qui porte sur les parametres w et w0 :
( 1 k w k2
Minimiser 2 (9.26)
sous les contraintes ui (w>xi + w 0 ) 1 i = 1; : : : ; m
Cette ecriture du probleme, appelee formulation primale, implique le reglage de d + 1 pa-
rametres, d etant la dimension de l'espace des entrees X . Cela est possible avec des methodes de
programmation quadratique 3 pour des valeurs de d assez petites, mais devient inenvisageable
pour des valeurs de d depassant quelques centaines. Heureusement, il existe une transformation
de ce probleme dans une formulation duale que l'on peut resoudre en pratique.
3. Les problemes d'optimisation pour lesquels la fonction et les contraintes sont lineaires ressortent des techniques
de programmation lineaire, tandis que les problemes d'optimisation dans lesquels la fonction est quadratique et
les contraintes lineaires ressort des techniques de la programmation quadratique : voir le chapitre 3.
9.3.1.3 L'expression duale du probleme de recherche des SVM

D'apres la theorie de l'optimisation, un probleme d'optimisation possede une forme duale
dans le cas ou la fonction objectif et les contraintes sont strictement convexes. Dans ce cas, la
resolution de l'expression duale du probleme est equivalente a la solution du probleme original.
Ces criteres de convexite sont realises dans le probleme (9.26). Pour resoudre ces types de
problemes, on utilise une fonction que l'on appelle lagrangien qui incorpore des informations sur
la fonction objectif et sur les contraintes et dont le caractere stationnaire peut être utilise pour
detecter des solutions. Plus precisement, le lagrangien est deni comme etant la somme de la
fonction objectif et d'une combinaison lineaire des contraintes dont les coecients i 0 sont
appeles multiplicateurs de Lagrange ou encore variables duales.
1 Xm
L(w; w0; ) = 2 k w k ; i (ui :((xi:w) + w0 ) ; 1)
2 (9.27)
i=1
Une theoreme de Kuhn-Tucker, qui couronne des travaux commences par Fermat, puis pour-
suivis par Lagrange, demontre que le probleme primal et sa formulation duale ont la même
solution qui correspond a un point-selle du lagrangien (il faut le minimiser par rapport aux
variables primaires w et w0 et le maximiser par rapport aux variables duales i ).
Au point-selle, la derivee du Lagrangien par rapport aux variables primaires doit s'annuler.
Ceci s'ecrit :
@ L(w; w ; ) = 0; @ L(w; w ; ) = 0 (9.28)
@w 0 @w0 0
et conduit a :
X
m
iui = 0 (9.29)
i=1
et a :
X
m
w = iuixi (9.30)
i=1
Par ailleurs, il est montre (conditions de Karush-Kuhn-Tucker) que seuls les points qui sont
sur les hyperplans frontiere (xi : w) + w0 = 1 jouent une rôle. Ces points pour lesquels les
multiplicateurs de Lagrange sont non nuls sont appeles vecteurs de support par Vapnik. Nous
utiliserons aussi le terme plus image d'exemples critiques puisque ce sont eux qui determinent
l'hyperplan optimal.
Il est ainsi remarquable que le vecteur solution w? ait une expression en termes d'un sous-
ensemble des exemples d'apprentissage : les exemples critiques. C'est en même temps intuitive-
ment satisfaisant puisque l'on (( voit )) bien que l'hyperplan solution est entierement determine
par ces exemples (voir gure 9.7). C'est intuitif, oui, mais c'est remarquable.
En substituant (9.29) et (9.30) dans (9.28), on elimine les variables primaires et l'on obtient
la forme duale du probleme d'optimisation :
trouver les multiplicateurs de Lagrange tels que :
8 P P
>
< i=1 i 2 i;j=1 i j i j i i
Max m ; 1 m u u ( x : x )
> (9.31)
: Pi m 0; ui ==1;0: : : ; m
i=1 i i
L'hyperplan solution correspondant peut alors être ecrit :
X
m
h(x) = (w? : x) + w0? = ?i ui : (x : xi ) + w0? (9.32)
i=1
ou les ?i sont solution de (9.31) et w0 est obtenue en utilisant n'importe quel exemple critique
(xc ; uc ) dans l'equation :
i [ui : ((xi : w? ) + w0) ; 1] = 0 (9.33)
A ce point, remarquons deux choses. D'abord, que l'hyperplan solution ne requiert que le
calcul des produits scalaires hx : xi i entre des vecteurs de l'espace d'entree X . Cette observation
aura de profondes repercussions. Ensuite, la solution ne depend plus de la dimension d de l'espace

d'entree, mais de la taille m de l'echantillon de donnees et même du nombre mc d'exemples
critiques qui est generalement bien inferieur a m. Les methodes d'optimisation quadratique
standards susent donc pour de nombreux problemes pratiques.
9.3.1.4 La cas d'un echantillon non lineairement separable

Supposons maintenant que les exemples ne puissent pas être lineairement separes. Peut-on
amenager la methode des separateurs a vastes marges (SVM)? Une technique dite des variables
ressort (slack variables) permet en eet de chercher un hyperplan separateur faisant le moins
d'erreurs possible. Pour cela, on modie les contraintes en les relâchant grâce a des variables
ressort i 0 :
ui : ((w : xi) + w0 ) 1 ; i (9.34)
On doit dans ce cas minimiser:
1 k w k2 + C Xm
i (9.35)
2 i=1
pour une constante C > 0.
On obtient alors, comme dans le cas separable, une formulation duale, excepte les contraintes
qui sont legerement dierentes.
8 P
>
> m ; 1 Pm Pm u u (x : x )
< i=1 i 2 i=1 j=1 i j i j i i
Max
>8i; 0 i C (9.36)
:Pm u = 0
>
i=1 i i
Le coecient C regle le compromis entre la marge possible entre les exemples et le nombre
d'erreurs admissibles. Il doit être choisi par l'utilisateur 4.
4. La description faite ici concerne la minimisation du nombre d'exemples qui ne sont pas du bon côte des marges.
Il existe une autre formulation qui prend en compte non le nombre d'erreurs, mais la distance euclidienne a la
marge des exemples mal positionnes. Nous renvoyons le lecteur a [CST00] pp.103-110 par exemple pour plus de
details.
9.3.1.5 Le passage par un espace de redescription : les fonctions noyau

Une motivation majeure des separateurs a vastes marges (SVM) est que le probleme d'op-
timisation correspondant n'a pas d'optima locaux mais seulement un optimum global, facile a
trouver qui plus est. Cependant, l'expressivite limitee des separateurs lineaires semble devoir les
conner a des probemes tres particuliers, comme l'avaient fort bien montre en leur temps Minsky
et Papert dans leur celebrissime ouvrage Perceptrons ([MP69]). D'ou le recours aux perceptrons
multicouches mis au point dans les annees quatre-vingt (voir chapitre 10), mais qui admettent
generalement plusieurs optima locaux, diciles a determiner de surcro^t. Ne peut-on donc avoir
le meilleur des deux mondes?
Un pas dans cette direction est fait quand on realise qu'un probleme de discrimination non
lineaire peut se transformer en probleme de separation lineaire si l'on dispose des bons descrip-
teurs pour decrire les donnees. Encore faut-il conna^tre ces descripteurs, ce qui revient souvent
en pratique a conna^tre la solution. Pourtant, une approche combinatoire permet d'imaginer

une telle transformation sans connaissance a priori sur le probleme. En eet, plus la dimen-
sion de l'espace de description est grande, plus la probabilite de pouvoir trouver un hyperplan
separateur entre les exemples et les contre-exemples est elevee. En transformant l'espace d'entree
en un espace de redescription de tres grande dimension, eventuellement innie, il devient donc
possible d'envisager d'utiliser la methode des SVM.
Notons une transformation non lineaire de l'espace d'entree X en un espace de redescription
(X ) :
x = (x1; : : : ; xd )> 7! (x) = (1 (x); : : : ; d (x); : : : ) (9.37)
Le probleme d'optimisation se transcrit dans ce cas par :
8 P P
>
< Max i=1 i ; 2 i;j=1 ij uiuj h(xi) ; (xj )i
m 1 m
> (9.38)
: Pi mi=10; i uii == 1;0: : : ; m
ou h:; :i denote le produit scalaire 5 .
L'equation de l'hyperplan separateur dans le nouvel espace devient :
X
m
h(x) = ?i ui h(x) : (xi)i + w0? (9.39)
i=1
ou les coecients ?i et w0? sont obtenus comme precedemment par resolution de (9.38).
Tout cela est tres bien, sauf que l'objection immediate du praticien concerne le produit
scalaire h(xi ) ; (xj )i qui devient rapidement impossible a calculer quand la dimension de
(X ) augmente (sans parler du cas de la dimension innie), ceci d'autant plus que l'on utilisera
des transformations non lineaires des descripteurs d'entree. Pour donner une idee, supposons que
l'on cherche a classer des images de 16 16 pixels (par exemple pour faire de la reconnaissance
d'ecriture manuscrite), et que l'on suppose necessaire pour cela de tenir compte des correlations
entre 5 pixels quelconques au plus dans les images. L'espace de redescription, qui contient toutes
les combinaisons de 5 pixels quelconques parmi 256, est alors de dimension de l'ordre de 1010 .
Calculer des produits scalaires dans un tel espace est impraticable.
Il se trouve heureusement que l'on peut dans certains cas s'arranger pour litteralement court-
circuiter le passage par les calculs dans l'espace de redescription. En eet, il existe des fonctions
5. Parfois aussi appele produit interne, de l'anglais inner product.
bilineaires symetriques positives K (x; y), appelees fonctions noyau , faciles a calculer et dont
on peut montrer qu'elles correspondent a un produit scalaire h(x) ; (y)i dans un espace de
grande dimension. Lorsqu'une telle correspondance est exploitable, le probleme d'optimisation
(9.38) est equivalent au probleme suivant :
8 P P
>
< i=1 i 2 i;j=1 i j i j i j
Max m ; 1 m u u K ( x ; x )
> (9.40)
: Pi m 0; ui ==1;0: : : ; m
i=1 i i
dont la solution est l'hyperplan separateur d'equation :
X
m
h(x) = ?i ui K (x; xi ) + w0? (9.41)
i=1
ou les coecients ?i et w0? sont obtenus comme precedemment par resolution de (9.40).
Par exemple, il peut être montre que la fonction noyau polynomiale :
K (x; y) = (x : y)n (9.42)
realise implicitement un produit scalaire dans l'espace des descripteurs correspondant a tous les
produits d'exactement n dimensions. Ainsi pour n = 2 et x; y 2 IR2 , nous avons :
p p
(x : y)2 = (x21 ; x22 ; 2x1 x2 ) (y12 ; y22 ; 2 y1 y2 )> = h(x) : (y )i
p
qui correspond au changement de description par la fonction : (x) = (x21 ; x22 ; 2x1 x2 ).
Autre exemple : la fonction noyau K (x; y) = (x : y + c)n avec c > 0 correspond a un
produit scalaire dans l'espace des descripteurs correspondant a tous les produits d'ordre n.
Les fonctions noyau decrites impliquent des calculs dans l'espace X , donc dans un espace de
dimension d. Ils sont par consequent faciles a calculer. Mais comment determiner quelle fonction
noyau aisement calculable est associee a un espace de redescription (X ) dont on pense qu'il
peut être interessant pour trouver un separateur lineaire des donnees?
En fait, la demarche est inverse : on cherche des fonctions noyau dont on peut avoir la garantie
a priori qu'elles correspondent a un produit scalaire dans un certain espace qui agira comme un
espace de redescription, mais qui restera virtuel, jamais explicite. Cela signie que l'utilisateur
devra operer par essais et erreurs : essayer des fonctions noyau associees a des produits scalaires
dans des espaces de redescription et voir si elles permettent l'obtention de bonnes fonctions de
decision. Si cet aspect tâtonnant de la methode peut sembler peu satisfaisant, en revanche, le
choix de la fonction noyau devient le seul parametre a regler, contrairement a d'autres techniques
d'apprentissage.
Sous quelles conditions une fonction noyau est-elle equivalente a un produit scalaire dans un
espace 6 ?
6. Les concepts mis en jeu pour repondre a cette question impliquent une assez grande familiarite avec les
mathematiques et particulierement avec l'analyse fonctionnelle developpee par David Hilbert (1862-1943). Il
ne s'agit pas de s'etendre ici sur cette theorie, mais pas non plus de l'escamoter car il est probable que sa
comprehension profonde peut conduire a de futurs developpements en apprentissage. L'idee essentielle est
d'etudier les espaces de fonctions lorsqu'on peut les doter d'un produit scalaire et donc d'une distance, ce qui
ouvre la porte a tous les problemes d'approximation, et d'equations, sur les fonctions prises comme objets
(vecteurs d'un espace de Hilbert). Parmi ces equations, il en est qui jouent un grand rôle en physique, ce sont
les equations integrales du type : Zb
f (x) = K (x; y) f (y) dy
a
dans lesquelles l'inconnue est la fonction f (x), et K (x; y) est le noyau de l'equation integrale.
Soit donc la redescription des formes x de X par la fonction dans un espace de Hilbert
de coordonnees 1 (x); : : : ; d (x); :::. D'apres la theorie de Hilbert-Schmidt, le produit scalaire
dans l'espace de Hilbert possede une representation equivalente :
X
1
h(x) : (x0)i = i i (x)i(x0 ) = K (x; x0 ) (9.43)
i=1
avec i 0 ; 8i, si la fonction K (x; x0 ) est une fonction symetrique satisfaisant aux conditions
de Mercer enoncees dans le theoreme du même nom.
Theoreme 9.1 (Theoreme de Mercer)

Si K (:; :) est une fonction noyau continue symetrique d'un operateur integral
Zb
g(y) = A f (y) = K (x; y) f (y) dy + h(x)
a
veriant : Z
K (x; x0 ) f (x) f (x0 ) dxdx0 0
XX
pour toute fonction f 2 L2 (X ) (de carre sommable) (X etant un sous-espace compact de IRd ),
alors la fonction K (:; :) peut être developpee en une serie uniformement convergente en fonction
des valeurs propres positives i et des fonctions propres i :
X
N
K (x; x0 ) = j j (x) j (x0) (9.44)
j =1
ou N est le nombre de valeurs propres positives.
Le theoreme de Mercer donne donc les conditions pour qu'une fonction K (:; :) soit equivalente
a un produit scalaire (9.44).
Une condition equivalente a celle de Mercer est que les matrices Kij := K (xi ; xj ) soient po-
sitives semi-denies 7 pour tout echantillon d'exemples fx1 ; : : : ; xm g (ces matrices sont appelees
matrices de Gram).
On peut alors decrire la fonction de redescription des entrees comme :
p p
(x) = ( 1 1 (x); 2 2 (x); : : : ) (9.45)
Si les conditions theoriques exposees ci-dessus sont interessantes, elles ne sont pas faciles a
verier en pratique. La plupart des praticiens utilisent l'une des fonctions noyau connues (voir le
tableau ci-dessous) ou bien font usage de la propriete (9.2) pour construire de nouvelles fonctions
noyau adaptees a leur probleme.
7. Dont les valeurs propres sont toutes positives ou nulles.

La solution
P s'exprime sous la forme :
h(x) = i=1 ?i ui K (x; xi) + w0?
n support
- Polynomiale K (x; x0 ) = (x : x0 + 1)p La puissance p est determinee a priori par
l'utilisateur.
kx;x0 k2
- Fonctions a Base K (x; x0 ) = e; 2 2 L'ecart-type 2 , commun a tous les
Radiale (RBF) noyaux, est specie a priori par l'utilisa-
teur.
- Fonctions sigmodes K (x; x0 ) = tanh(a (x : x0 ; b)) Le theoreme de Mercer n'est verie que
pour certaines valeurs de a et b.
Theoreme 9.2 (Construction de fonctions noyau a partir de fonctions noyau)

Soient K1 et K2 deux fonctions noyau denies sur X X , X 2 IRd , a 2 IR+ , f (:) une fonction
reelle sur X , : X ! IRl , K3 une fonction noyau denie sur IRl IRl , K une matrice d d
symetrique positive et semi-denie et B une matrice diagonalisable. Alors les fonctions suivantes
sont des fonctions noyau :
1. K (x; z ) = K1 (x; z ) + K2 (x; z )
2. K (x; z ) = a K1 (x; z )
3. K (x; z ) = K1 (x; z ) : K2 (x; z )
4. K (x; z ) = f (x) : f (z )
5. K (x; z ) = K3 ((x); (z ))
6. K (x; z ) = x0 B z
Pour une preuve, voir [CST00], pp.42-43.

Il est clair que les fonctions noyau encodent des connaissances essentielles sur le probleme
d'induction etudie, en particulier :
Une mesure de similarite sur les donnees.
La forme fonctionnelle des fonctions de decisions possibles.
Le type de regularisation realise : par exemple les fonctions noyau Gaussiennes penalisent
les derivees de tous les ordres et favorisent donc les solutions (( regulieres )).
Le type de covariance dans l'espace des entrees stipulant comment des points en divers
endroits de l'espace sont lies les uns aux autres. On peut ainsi chercher des fonctions
noyau invariantes pour certaines transformations de l'espace d'entree, comme par exemple
la rotation.
Une sorte de distribution de probabilite a priori sur l'espace des hypotheses (les fonctions
de decision) comme le montre une interpretation bayesienne des SVMs (voir sur ce point
le chapitre 16 de [SS02] par exemple).
Il faut donc les choisir avec soin en essayant de traduire grâce a elles le maximum de connais-
sances prealables dont on dispose sur le probleme et sur les donnees. Le livre [SS02] donne
beaucoup d'informations utiles sur ce sujet.
9.3.1.6 La mise en uvre des SVM
La mise en uvre de la methode des separateurs a vastes marges (SVM) requiert l'acces
a un systeme de resolution de programmation quadratique calculant le vecteur solution x? au
Σ
Sortie :
sign(Σ αi ui K(xi, x))
α1 α4
α2 α3
Comparaison : K(xi, x)
K K K K
Échantillon x1, x2, x3, ...

Vecteur d'entrée x
Fig. 9.8 { Cette gure resume le fonctionnement des separateurs a vastes marges et montre
le rôle des fonctions noyau. Lors de l'apprentissage, ici de chires manuscrits, un
certain nombre d'exemples critiques sont retenus pour denir la fonction de decision.
Lorsqu'une nouvelle entree est presentee au systeme, elle est comparee aux exemples
critiques a l'aide des fonctions noyau qui realisent un produit scalaire dans l'espace
de redescription (X ). La sortie est calculee en faisant une somme ponderee (une
combinaison lineaire) de ces comparaisons.
probleme suivant :
Minimiser 21 x0 Hx + c0 x
8
>
<A1 x = b1
sous les contraintes >A2 x b2
:I x u
Les packages permettant de resoudre ce type de problemes incluent par exemple MINOS,
LOQO ou CPLEX (CPLEX Optimization Inc. 1994). Un package accessible est celui d'Alex
Smola PR LOQO 8 avec R qui est une version publique de S-PLUS.
En pratique, les choix de la fonction noyau et de la valeur de la constante C sont souvent
faits en utilisant une methode de validation croisee et en testant l'eet de dierents choix. Il est
recommande d'avoir recours a un ensemble de validation pour evaluer la qualite du choix nal
(voir 3.4 pour les procedures de tests et de validation en apprentissage).
9.3.2 Quelle justication pour les SVM?
La premiere partie sur les separateurs a vastes marges etait consacree a la realisabilite de la
methode : comment trouver un hyperplan separateur permettant de discriminer des formes de
deux classes. La procedure a mettre en place est nalement relativement simple mais elle repose
crucialement sur deux (( miracles )). D'une part, il est possible de transformer la formulation
8. Disponible a http://www.kernel-machines.org/. avec d'autres implantations.
Fig. 9.9 { Dans la fenêtre de gauche, quarante-sept exemples d'apprentissage (vingt-deux de la

classe `+' et vingt-cinq de la classe `-') ont ete disposes par l'utilisateur. La fenêtre
de droite montre la frontiere de decision obtenue avec un SVM de noyau polynomial
de degre 5 avec une constante C = 10000 (c'est-a-dire avec une faible tolerance aux
exemples mal classes). La frontiere s'appuie sur sept exemples critiques dont quatre
dans la classe `+' et trois dans la classe `-'.
primaire du probleme d'optimisation, impossible a resoudre en pratique sauf pour des problemes
jouets, en une formulation duale accessible aux methodes connues de programmation quadratique
D'autre part, cette formulation duale permet d'envisager d'utiliser des espaces de tres grandes
dimensions dans lesquels une separation lineaire est possible, grâce a une redescription implicite
des donnees permise par des fonctions noyau.
Il est cependant a craindre qu'un troisieme miracle soit necessaire pour que la methode des
SVM soit utilisable.
La question est en eet celle-ci : lorsque nous utilisons un espace de tres grande dimension
dans l'espoir d'y trouver une separatrice lineaire des donnees, nous avons recours a un espace
d'hypotheses tres riche, c'est d'ailleurs pour cela que nous sommes conants de trouver une
hypothese adequate par rapport aux donnees (c'est-a-dire de risque empirique faible). Mais
alors, l'analyse faite par Vapnik et decrite dans le chapitre 2 ne nous conduit-elle pas a penser
que dans ce cas la correlation entre risque empirique et risque reel est hasardeuse, nullement
garantie ? Certes le stratageme du passage par un espace de redescription des donnees nous
aurait permis d'identier aisement une fonction separatrice des donnees, mais nous n'aurions
aucune assurance qu'elle se revele performante sur les futures observations. Cette impression
inquietante est conrmee par le fait que la dimension de Vapnik-Chervonenkis de l'espace des
fonctions separatrices lineaires dans un espace IRd est egale a d + 1, donc proportionnelle a la
dimension de l'espace de redescription (qui peut-être innie). Cette observation semble ruiner
tout espoir d'utilisation a bon escient des separateurs a vastes marges. Alors?
Si nous reexaminons l'analyse theorique de l'induction, nous observons qu'elle fournit une
borne superieure (en probabilite) sur le risque reel en fonction du risque empirique et de la
Fig. 9.10 { Pour les mêmes exemples d'apprentissage que ceux de la gure 9.9, on voit l'eet
de dierents choix de fonctions noyau (polynomiale de degre 2, 5 et 8 en haut et
Gaussienne d'ecart-type 2, 5 et 10 en bas). Le nombre d'exemples critiques de chaque
classe est indique entre parentheses en-dessous des imagettes.
dimension de Vapnik-Chervonenkis dV C . Rappelons par exemple que dans le cas de fonctions

indicatrices denies de X dans f;1; 1g avec une fonction de perte 0-1 (comptant les erreurs de
prediction), alors pour toute distribution de probabilite sur X f;1; 1g, avec une probabilite
1 ; pour un echantillon de m exemples x tires aleatoirement, toute hypothese h 2 H a son
risque reel majore par :
; ; ;
2 REmp (h) + m1 4 log 4 + 4dV C log 2dem (9.46)
VC
du moment que dV C m.
Il s'agit d'une borne superieure, mais il est possible de montrer que cette borne est asympto-
tiquement serree puisqu'il existe des distributions pour lesquelles la borne inferieure sur le risque
reel est proche de la borne superieure. Cependant, il faut noter une dierence importante entre la
borne superieure, valable pour toute distribution, et la borne inferieure, calculee pour certaines
distributions particulirement defavorables (pour lesquelles les points peuvent être pulverises par
H). De fait, l'experience montre que la borne superieure est souvent tres pessimiste. Il existe
donc dans les donnees correspondant a des problemes reels des distributions favorables, que l'on
appelle aussi bienveillantes (benign distributions), permettant une correlation beaucoup plus
etroite entre le risque empirique mesure et le risque reel que ce que prevoit la theorie. Peut-être
la technique des separateurs a vastes marges permettrait-elle de detecter de telles situations et
donc d'avoir conance, quand c'est possible, dans la valeur de l'hypothese retournee, même si
celle-ci resulte du passage dans un espace de redescription de tres grande dimension...
9.3.2.1 Une minimisation du risque structurel dependant des donnees
Rappelons que le principe de minimisation du risque structurel (voir section 17.2.1 du cha-
pitre 2) cherche a minimiser l'esperance de risque (le risque reel) en contrôlant a la fois la richesse
de l'espace d'hypotheses et le risque empirique obtenu avec la meilleure hypothese possible dans
l'espace d'hypotheses disponible. L'idee de Vapnik est alors de denir une structure hierarchique
a priori sur les espaces d'hypotheses Hi en mesurant leur dimension de Vapnik-Chervonenkis.
Plus celle-ci est importante, plus l'espace associe est riche et permet de s'adapter a des donnees
diverses.
On peut alors imaginer faire la même chose dans le cas des separateurs a vastes marges.
En eet, plus la marge imposee entre les donnees est importante, et moins il existe de fonctions
separant les donnees, c'est-a-dire moins l'espace des fonctions est souple. La marge pourrait alors
jouer un rôle analogue a la dimension de Vapnik-Chervonenkis pour caracteriser la richesse de
l'espace d'hypotheses.
Pour realiser ce programme (dont nous gommons outrageusement la subtilite technique ici 9),
il est utile de denir une generalisation de la dimension de Vapnik-Chervonenkis pour le cas des
fonctions a valeur reelle. Il s'agit de la fat-shattering dimension (que l'on peut traduire par
(( dimension de -pulv erisation ))).
Denition 9.2 (Fat-shattering dimension)
Soit H un ensemble de fonctions a valeur reelle. On dit qu'un ensemble de points X est -
pulverise par H s'il existe des nombres reels rx indexes par x 2 X tels que pour tout vecteur
binaire indexe par X (une valeur bx est attachee a chaque point x), il existe une fonction hb 2 H
veriant :
(
hb(x) rx + si bx = 1 (9.47)
rx ; sinon
En d'autres termes, la dimension de -pulverisation fatH de l'ensemble H est une fonction de
IR+ dans IN qui associe a une valeur de marge la taille du plus grand ensemble de points de X
pouvant être -pulverise, s'il est ni, et la valeur innie sinon. La dimension de -pulverisation
peut être consideree comme la fonction de Vapnik-Chervonenkis des fonctions a seuil mais avec
en plus une marge imposee.
Un theoreme datant de 1998 (voir [SBE99], p.47) montre que la dimension de -pulverisation
permet d'obtenir des bornes d'erreur en generalisation pour les separateurs a vastes marges,
similaires aux bornes d'erreur obtenues par Vapnik pour les fonctions indicatrices. On retrouve
en particulier que si l'erreur empirique est nulle, l'erreurpen generalisation converge vers 0 au
rythme de 1=m, tandis qu'elle converge au rythme de 1= m lorsqu'elle est non nulle (cas des
variables ressort : on admet des erreurs). Cette discontinuite avait deja ete observee pour l'analyse
de Vapnik.
La dimension de -pulverisation denit ainsi une sorte de mesure dependant de l'echelle, liee
a la marge, a laquelle on veut etudier les donnees. Lorsque l'on impose que les donnees puissent
être discriminees avec une vaste marge, la classe des fonctions discriminantes associees peut avoir
une complexite (mesuree par la dimension de -pulverisation) bien moindre que la complexite
mesuree par la dimension de Vapnik-Chervonenkis, et c'est ce qui explique, grâce aux theoremes
mentionnes, que le risque reel soit correle avec le risque empirique mesure sur les donnees. Il
faut bien voir que la marge mesuree sur l'echantillon d'apprentissage donne une indication de
9. Le lecteur exigeant est invite a se reporter a [SBE99] pp.45-48, ou a [AB96] par exemple.
la chance que l'on a avec la distribution des donnees. Si elle est grande, nous sommes tombes
sur des donnees pour lesquelles les fonctions separatrices lineaires sont bien adaptees. Si elle
est petite ou inexistante, alors il n'y a plus de correlation entre risque empirique et risque reel.
C'est donc bien seulement pour des distributions (( bienveillantes )) ou conciliantes (revelees par
l'existence d'une vaste marge) que l'induction est possible.
Dans cet esprit, il faut noter une dierence conceptuelle importante entre le principe de mi-
nimisation du risque structurel et l'analyse presentee ici. Le principe SRM prescrit en eet qu'un
ordre sur les espaces d'hypotheses Hi soit deni a priori, independamment de tout echantillon
de donnees. Au contraire, dans le cas des separateurs a vastes marges, la hierarchie sur les es-
paces d'hypotheses ne peut être denie qu'a posteriori, apres que les donnees aient ete classees
et les marges possibles mesurees avec l'erreur empirique correspondante. D'un certain côte, les
donnees sont utilisees une premiere fois pour determiner la hierarchie des espaces d'hypotheses
a employer :
H = fh j h a une marge d'au moins sur les donnees Sg
puis, une seconde fois, pour choisir la meilleure hypothese dans chacun de ces espaces. On com-
met la une faute a laquelle l'analyse theorique ne peut faire echapper que par une demarche
precautionneuse (passant par une majoration de l'erreur qui, elle, est independante de la dis-
tribution). Ce probleme justie en tout cas l'appellation de principe de minimisation du risque
struturel dependant des donnees.
9.3.2.2 Autres analyses de la methode SVM
Il existe une autre mesure que la marge permettant d'obtenir une borne sur l'erreur de
generalisation obtenue avec les SVM, il s'agit du nombre d'exemples critiques (support vectors).
Vapnik a montre en 1995 ([Vap95], p.135) que l'esperance du nombre d'exemples critiques permet
d'obtenir une borne sur l'esperance de taux d'erreur :
Em(P (erreur)) Em [nombre d'exemples
m;1
critiques]
ou l'operateur Em denote l'esperance mesuree sur un echantillon de taille m. Cette borne est
egalement independante de la dimension de l'espace : si on peut trouver un hyperplan optimal
qui separe les deux classes, deni par un petit nombre d'exemples critiques, alors il devrait avoir
une bonne performance en generalisation, quelle que soit la dimension de l'espace.
En appliquant une analyse de la performance en generalisation fondee sur la capacite a com-
primer l'expression des donnees (voir section 17.3), Littlestone et Warmuth [LW86] ont egalement
obtenu une borne sur l'erreur reelle de generalisation : l'erreur en generalisation (comptee par le
nombre d'erreurs de prediction) d'un separateur a vastes marges deni par c exemples critiques
parmi un echantillon d'apprentissage de taille m est borne avec une probabilite au moins 1 ;
par :
1 ;c log em + log m
m;c 2 c 2
La proportion d'exemples critiques est ainsi une autre mesure liee a la dimension intrinseque
des donnees et au caractere conciliant de leur distribution.
Pour terminer ce tour d'horizon sur les analyses theoriques des separateurs a vastes marges,
nous citerons les travaux tres interessants etablissant un lien entre les fonctions noyau choisies
et la theorie de la regularisation (voir section 17.2.2). Il a ainsi ete montre que certaines fonc-
tions noyau correspondaient a certains operateurs de regularisation. Cela permet a la fois de
mieux comprendre le rôle de ces fonctions noyau, mais aussi d'envisager de nouvelles methodes
d'apprentissage generalisant l'approche des SVM (voir par exemple [SBE99], p.14).
9.3.2.3 SVM et Bayes Point Machines
Recemment est apparu le concept de separateur lineaire de Bayes (Bayes Point Machines)
(voir par exemple [Her02]). L'idee est la suivante : d'apres l'approche bayesienne de l'induction
(voir section 2.4), la meilleure decision y a prendre en un point x est la moyenne ponderee par
leur probabilite a posteriori des decisions de chaque hypothese :
Z
y = BayesS (x) = pH (hjS ) h(x) dpH (9.48)
H
ou encore, si l'on considere la fonction de perte l :
Z
y = BayesS (x) = Argmin pH (hjS ) l(h(x); y) dpH (9.49)
y
Nous avons vu que cette regle de decision minimise l'esperance de risque lorsque l'on dispose
d'une mesure de probabilite sur les hypotheses de H. Une propriete de cette regle de decision
est qu'elle peut realiser une fonction de decision qui est en dehors de l'espace des hypotheses H
(dans le cas ou celui-ci n'est pas convexe). Si cette regle de decision est optimale en moyenne,
elle est tres dicile a mettre en uvre car elle implique pour chaque exemple x de calculer
toutes les decisions possibles h(x) prises sur H ponderees par leur probabilite a posteriori. Il est
cependant possible de limiter cette diculte en considerant des espaces d'hypotheses H pour
lesquels la decision h(x) est facile a determiner. C'est particulierement le cas si l'on considere
l'espace des separateurs lineaires.
Comme l'espace des separateurs lineaires est convexe (toute combinaison lineaire de separa-
teurs lineaires est un separateur lineaire), la regle de decision bayesienne pour determiner la
reponse y en un point x revient a identier un separateur lineaire.
Tout separateur lineaire est caracterise par son vecteur de poids w. Lorsque l'on cherche un
separateur d'erreur nulle sur l'echantillon d'apprentissage (hypothese coherente avec l'echantillon),
n'importe quelle hypothese prise dans l'espace des versions est satisfaisante. Dans le cas des
separateurs a vastes marges, l'hypothese retenue est celle qui est maximalement distante des
contraintes posees par les donnees, ce qui est schematise par la croix dans la gure 9.11. Le
separateur lineaire de Bayes choisit quant a lui le separateur dont le vecteur poids wBayes est
au centre de masse de l'espace des versions (gure par un rond dans la gure 9.11).
Il peut être montre que le separateur associe est asymptotiquement proche de la decision
bayesienne optimale. Il n'est cependant pas aise de trouver ce centre de masse en general, et
des techniques de parcours de rayons par billard sont actuellement a la mode pour resoudre ce
probleme, mais sans garanties theoriques.
9.3.3 La regression par fonctions noyau et exemples critiques
Même si la methode des separateurs a vastes marges est specique aux problemes de classi-
cation, on peut en etendre le champ au probleme de la regression, c'est-a-dire de la recherche
d'une fonction h(x) = y dans IR telle que pour tous les points d'apprentissage f(xi ; ui )g1im
f (xi ) soit le plus (( proche )) possible de ui . Vapnik propose d'utiliser la fonction de perte sui-
vante :
jy ; f (x)j" := maxf0; jy ; f (x)j ; "g (9.50)
Alors, an d'estimer la regression lineaire :
f (x) := (w x) + b (9.51)
wSVM
wBayes
x
Fig. 9.11 { Dans l'espace des hypotheses (l'espace des vecteurs poids w), l'espace des versions
est delimite par des droites correspondant aux contraintes posees par les exemples
d'apprentissage. La methode des separateurs a vastes marges retourne le vecteur de
poids (gure par une croix) le plus eloigne de toutes les contraintes. La methode des
separateurs lineaires de Bayes retourne le vecteur de poids correspondant au centre
de masse de l'espace des versions (gure ici par un cercle).
avec une precision de ", on minimise:

1 k w k2 + C X m
jyi ; f (xi)j" (9.52)
2 i=1
On peut reexprimer ce probleme sous forme d'un probleme d'optimisation sous contraintes
(voir [Vap95]) :
Minimiser (w; ; ? ) = 21 k w k2
8
>
<((w xi ) + b) ; yi " + i (9.53)
sous les contraintes >yi ; ((w xi ) + b) " + i
:i; i? 0
pour tous les i = 1; : : : ; m. On peut noter a nouveau que toute erreur plus petite que " ne
requiert pas une valeur non nulle de ou de i et donc ne doit pas être prise en compte par la
fonction objectif 9.53. La gure 9.12 illustre le rôle des contraintes.
Comme dans le cas de la classication, on peut generaliser a la regression non lineaire en
passant par un espace de redescription des entrees grâce a l'utilisation de fonctions noyau.
L'introduction de multiplicateurs de Lagrange conduit au probleme d'optimisation suivant, dans
lequel les constantes C > 0 et 0 sont choisies a priori :
X
m X
m
W (; ) = ; " (?i + i ) + (?i ; i )yi
i=1 i=1
Maximiser X
m
; 21 (?i ; i )(?i ; j )k(xi ; xi ) (9.54)
i;j =1
(
0 i ; ?i C i = 1; : : : ; m
sous les contraintes Pm ( ; ? ) = 0
i=1 i i
L'estimation de la regression prend alors la forme :
X
m
f (x) = (?i ; i ) k(xi ; x) + b (9.55)
i=1
ou b est calcule en utilisant le fait que la contrainte ((w xi ) + b) ; yi " + i devient une
egalite avec i = 0 si 0 < i < C , et la contrainte yi ; ((w xi ) + b) " + i devient une
egalite avec i? = 0 si 0 < ?i < C .
+ε
x ξ x x
0
x
x
−ε ξ
x x
x x
x x
−ε +ε
Fig. 9.12 { Dans la regression par SVM, au lieu d'imposer une marge entre les points des deux
classes, on impose une sorte de (( chaussette )) autour des points grâce au parametre
". Le compromis entre la complexite du modele (la fonction de regression) et la
delite aux points d'apprentissage est reglee par la variable ressort .
9.3.4 Conclusions sur les SVM

La methode des separateurs a vastes marges est, avec la methode du boosting (voir cha-
pitre 11), une des rares methodes d'apprentissage qui soient completement issues de considerations
theoriques. De ce fait, elle est bien fondee mathematiquement et l'on en conna^t un certain
nombre de proprietes. En particulier ces methodes reglent automatiquement le compromis entre
la complexite de la classe d'hypotheses et la necessaire delite aux donnees. Par ailleurs, l'ap-
profondissement de leur justication theorique a conduit a des ranements des principes induc-
tifs en prenant en compte, en plus de la delite aux donnees et de la complexite de la classe
d'hypotheses, la distribution des donnees d'apprentissage. La comprehension complete de cette
nouvelle caracteristique demandera encore des recherches.
Une autre consequence des travaux sur les SVM est la realisation que bien d'autres methodes
peuvent benecier de l'emploi de fonctions noyau. Celles-ci correspondent en eet a de nouvelles
mesures de distance ou de correlation applicables dans des espaces beaucoup plus generaux que
ce qui etait envisage dans les methodes traditionnelles.
Pour ces raisons d'ordre conceptuel et parce que les SVM, qui sont faciles a mettre en
uvre, donnent souvent de bons resultats en apprentissage, il y a une grande excitation au-
tour des methodes que l'on appelle maintenant methodes d'apprentissage par fonctions noyau
(kernel-based machine learning). Il s'agit la d'un domaine dont on peut attendre beaucoup de
developpements et d'applications interessantes.
Notes historiques et approfondissements

La theorie de la discrimination lineaire remonte aux annees 1930, lorsque Fisher proposa une
procedure de classication. Dans le domaine de l'intelligence articielle, l'attention fut attiree
vers cette question par les travaux de Rosenblatt qui commenca a etudier la regle d'apprentissage
du perceptron a partir de 1956. Minsky et Papert, dans leur celebre livre [MP69], analyserent les
limitations des machines lineaires. Le livre de Duda, Hart et Stork [DHS01] ore un panorama
tres complet des recherches sur ces machines.
L'idee d'hyperplans a marge maximale a ete redecouverte plusieurs fois. Elle a ete discutee
par Vapnik et Lerner des 1963 [VL63], par Duda et Hart dans leur premier livre de 1973, tandis
que les chercheurs etudiant l'apprentissage articiel sous l'angle de la physique statistique (voir
le chapitre 17) en voyait egalement l'avantage [EdB01] et proposaient le modele de l'Adatron
[AB89].
Ce n'est cependant qu'en 1992 que tous les ingredients des separateurs a vastes marges
furent rassembles par Vapnik et des collegues, et c'est seulement en 1995 qu'apparut le concept
de variables ressort et de marge souple et que les SVM devinrent connus dans la communaute,
grâce surtout au livre de Vapnik [Vap95]. L'utilisation et l'analyse subsequente des SVM a
relance l'interêt pour toutes les approches fondees sur les fonctions noyau (kernel-based methods
[SBE99, SS02] (voir aussi le chapitre 14).
L'idee de relier le concept de marge a celui de la dimension de pulverisation (fat-shattering
dimension) est apparue implicitement dans plusieurs references, mais fût introduite explicite-
ment dans [KS94], tandis que [STBWA98] rendait populaire la notion de borne sur le risque
reel dependant de la distribution des donnees (d'ou le terme de luckiness choisi par les auteurs
pour souligner l'idee de proter si c'est possible d'une correlation entre l'espace d'hypotheses et
la distribution des donnees). Cela stimula de nouvelles approches divergeant de l'approche de
Vapnik, laquelle ne prend pas en compte la distribution des donnees.
Resume
Ce chapitre a montre comment on peut apprendre des fonctions de decision lineaires
dans l'espace des entrees. Dans le cas de la classication binaire, cela revient a couper
l'espace en deux par un hyperplan.
L'interêt de ces fonctions de decision est qu'elles sont simples a apprendre (corres-
pondant souvent a un probleme d'optimisation quadratique, donc a un seul opti-
mum), et qu'il est facile de caracteriser le meilleur separateur, contrairement a des
separations non lineaires.
Les methodes classiques d'apprentissage par iteration ont ete decrites.
L'une des revolutions de ces dernieres annees en apprentissage concerne des methodes
motivees par des considerations theoriques sur l'induction et qui se traduisent par
la recherche de separateurs lineaires dans lesquels on cherche une marge maximale
avec les exemples : les separateurs a vaste marge. En utilisant des fonctions noyau qui
permettent une redescription des exemples dans un espace de plus grande dimension,
on peut etendre le champ de ces methodes bien fondees a des separatrices non
lineaires dans l'espace d'entree. Il s'agit donc la d'une approche tres prometteuse et
qui suscite beaucoup de travaux.
Chapitre 10
L'apprentissage de reseaux
connexionnistes
Dans ce chapitre, nous presentons une technique d'apprentissage fondee au depart

sur une analogie avec la physiologie de la transmission de l'information et de l'ap-
prentissage dans les systemes cerebraux : les modeles connexionnistes (on dit aussi
les reseaux de neurones articiels). Le but du developpement de cette approche etait
a l'origine de modeliser le fonctionnement du cerveau ; cela reste un des axes de
recherche du domaine, mais ici nous traiterons seulement de l'application de cer-
tains modeles informatiques elementaires a l'apprentissage automatique de regles de
classication.
Le cerveau est un organe caracterise par l'interconnexion d'un nombre eleve d'unites
de traitement simples, les cellules nerveuses ou neurones. Le comportement de ce
reseau naturel de neurones est determine par son architecture, c'est-a-dire le nombre
des cellules et la maniere dont elles sont connectees, ainsi que par les poids aectes
a chacune des connexions. Chaque connexion entre deux neurones est caracterisee
par son poids qui mesure le degre d'in uence du premier neurone vers le second. La
capacite d'apprentissage de ces systemes est reliee a la mise en memoire de nouvelles
connaissances par la modication des poids des connexions a partir d'exemples. Pour
donner un ordre de grandeur de sa complexite, le cerveau humain comporte environ
cent milliards de neurones, chacun relie en moyenne a dix mille autres.
Nous abandonnons maintenant toute forme de reference biologique pour nous interes-
ser aux reseaux de neurones articiels, ou reseaux connexionnistes, et en particulier
a leur application a l'apprentissage automatique.
Le calcul par reseaux connexionnistes est fonde sur la propagation d'informations
entre des unites elementaires de calcul. Les possibilites de chacune sont faibles, mais
leur interconnexion permet d'eectuer un calcul global complexe. Du point de vue
de l'apprentissage, les poids des connexions entre ces unites peuvent être regles sur
des ensembles d'exemples : le reseau ainsi entra^ne pourra realiser des tâches de
classication ou de regression.
312
es eiders (Somatiera mollissima) sont des canards marins pour lesquels les guides
L ornithologiques 1 sont pour une fois assez peremptoires : (( Le mâle est le seul canard
qui paraisse blanc quand on le voit de face et noir quand il est vu de dos (...) Le
plumage de la femelle est brun. )) Supposons qu'une bande d'eiders vogue a quelque
distance des côtes. Comment un avimateur peut-il distinguer un eider mâle d'un eider femelle
uniquement sur la couleur 2 ?
Le probleme est en apparence assez simple. Il faut denir une echelle qui va du blanc au noir
et y denir trois zones. On aura une decision du type de celle de la gure 10.1.
mâles femelles mâles

vus de face vus de dos
blanc
1 2 noir
Fig. 10.1 { Repartition des eiders sur l'axe x : blanc / noir.
Notons x le niveau de gris d'un eider dont on cherche a determiner le sexe. Les connaissances
sont les suivantes :
Si x 1 ou x 2 alors mâle.
Si 1 x 2 alors femelle.
Le concept (( sexe de l'animal observe )) ne peut donc pas se traduire directement par une
seule comparaison.
Les techniques des surfaces separatrices lineaires que nous avons vues au chapitre precedent
sont-elles valables ici? Non, car ce concept est impossible a decrire de cette facon. En eet, une
decision lineaire dans un espace a une seule dimension (ici, la couleur x est le seul attribut du
probleme) revient a comparer l'attribut a un seuil. Mais ici, deux seuils interviennent et non pas
un seul. Il va falloir trouver une technique de decision plus elaboree.
Nous allons decomposer le probleme en deux etages de decision lineaire. Le premier produira
deux valeurs binaires notees y1 et y2 . La premiere indique si oui ou non x est inferieur au seuil
de valeur 2, la seconde si x est superieur au seuil de valeur 1. Le deuxieme etage combinera ces
deux valeurs binaires pour decider si le concept est satisfait ou non. C'est ce que montrent le
tableau ci-dessous et la gure 10.2.
x1 1x2 x2

y1 V RAI V RAI FAUX
y2 FAUX V RAI V RAI
1. H. Heintzel, R. Fitter and J. Parslow Oiseaux d'Europe. Delachaux et Niestle, 1972.

2. On suppose bien sûr qu'il n'y a que des eiders dans la zone observee et qu'aucun mâle ne sepresente de prol.
Chapitre 10 L'apprentissage de reseaux connexionnistes 313
y1 est V RAI
y2 est V RAI
blanc
1 2 noir
Fig. 10.2 { Deux decisions elementaires a combiner.

A partir de y1 et y2 , la decision est donc la suivante :

y1 y2 Concept
V RAI V RAI Femelle
V RAI FAUX Mâle
FAUX V RAI Mâle
FAUX FAUX (impossible)
Ce probleme a ete presente jusqu'ici dans le cadre de la logique, mais il est facile de le transformer
en une decision numerique. Il sut pour cela d'attribuer les valeurs reelles 0 et 1 a y1 et y2 et au
concept selon qu'ils sont V RAI ou FAUX . Il est en eet peu intuitif, mais immediat de verier
que la valeur numerique z
z = y1 + y2 ; 1:5
est positive quand l'eider est femelle (elle vaut z = 1 + 1 ; 1:5 = 0:5) et negative quand il est
mâle (elle vaut z = 1 + 0 ; 1:5 = ;0:5 ou z = 0 + 1 ; 1:5 = ;0:5). Donc, le concept est aussi
exprime par le signe de la valeur z .
Le concept appris est par consequent ramene a une decision par surface separatrice lineaire,
non pas dans l'espace de representation de depart, reduit a x, mais sur deux valeurs binaires y1
et y2 , extraites elles-mêmes de decisions lineaires sur x.
En quoi cette technique de decision est-elle conforme aux premieres notions que nous avons
donnees sur les reseaux connexionnistes? Il sut pour le voir de se placer dans une representation
graphique (gure 10.3). L'information se propage de la gauche vers la droite. Les deux cercles
centraux ont pour valeur de sortie y1 et y2 , celui de droite a pour valeur de sortie z ; il exprime
donc le concept cherche. Cette representation sera bien sûr plus longuement expliquee dans ce
chapitre.
10.1 Les dierents elements d'un reseau connexionniste

Detaillons d'abord les dierentes notions necessaires a la comprehension des reseaux connexion-
nistes, en particulier des reseaux multicouches que nous etudions dans ce chapitre.
L'espace de representation
Les donnees d'entree sont des vecteurs de IRd , notes comme d'habitude (en transposition)
xT = (x1 ; : : : ; xd ). Les reseaux connexionnistes que nous presentons dans ce chapitre sont donc
des regles de classication de donnees numeriques (ou logiques).
1
-1.5
-1
x 1.
1
1.
2
1
-1
Fig. 10.3 { Un reseau connexionniste qui distingue les eiders mâles des eiders femelles.
Le neurone formel
L'unite de traitement elementaire dans un reseau connexionniste est capable de faire seule-
ment certaines operations simples. Ces unites sont souvent appelees neurones formels pour leur
similitude grossiere avec les neurones du cerveau. Les modeles de reseaux connexionnistes qui
nous interessent particulierement, les reseaux multicouches classent les unites selon qu'elles sont
des neurones d'entree, caches, ou de sortie.
Un neurone d'entree ou, simplement, une entree, est une unite chargee de transmettre une
composante du vecteur x des donnees (en particulier, les donnees d'apprentissage pendant
la phase d'apprentissage).
Un neurone de sortie est une unite qui fournit une hypothese d'apprentissage, par exemple
dans un probleme de classication, une decision sur la classe a laquelle est attribue x.
Enn, un neurone cache est un neurone qui n'est ni un neurone d'entree, ni un neurone de
sortie.
Il existe d'autres modeles, par exemple la machine de Boltzmann pour laquelle tous les neurones
formels, y compris d'entree et de sortie, sont connectes les uns aux autres.
L'etat d'un neurone formel
Il est commode de decrire un reseau connexionniste a un moment de son fonctionnement
par un ensemble de valeurs i , une pour chaque neurone formel i. Lorsque le neurone i est un
neurone d'entree, on a : i = xi . Dans tous les autres cas, i est l'etat du neurone i, calcule par
la regle de propagation decrite ci-dessous au paragraphe 10.2.1.
Comment fonctionne un neurone formel
Un neurone formel est caracterise par une une fonction de sortie f qui permet de calculer
pour chaque neurone i une valeur de sortie yi en fonction de son etat d'activation i :
yi = f (i ) (10.1)
On peut envisager plusieurs sortes de fonctions de sortie, mais le plus souvent on utilise soit
la fonction signe (comme dans l'exemple d'introduction), soit une fonction sigmode 3 d'equation
yi = f (i) = 1 + e1;i
La gure 10.4 montre le graphe de cette fonction pour la valeur = 1.
yi = f (i) yi = f (i)
1 1
0 i
;4 ;3 ;2 ;;11 1 2 3 i ;4 ;3 ;2 ;;11 1 2 3
Fig. 10.4 { Deux fonctions non-lineaires de sortie utilisees dans les reseaux connexionnistes. La
premiere est la fonction seuil : elle vaut 0 quand i est negatif et 1 s'il est positif.
La seconde est la fonction sigmode d'equation yi = f (i ) = 1+e1;i . Cette fonction
est parametree par sa pente a l'origine . Pour tres grand, on retrouve la fonction
seuil. Pour tres petit, cette fonction est pratiquement lineaire dans une vaste region
autour de l'origine. La sigmode de cette gure est dessinee pour = 1.
10.2 L'architecture multicouche

Un reseau est caracterise par son architecture, c'est-a-dire la structure selon laquelle les
neurones formels qui le composent sont relies les uns aux autres. Certains reseaux, comme les
machines de Boltzmann, ont une connectivite complete (chaque neurone formel est relie a toutes
les autres unites) ; d'autres, ceux dont on va parler dans ce chapitre, ont une architecture en
couches superposees. La caracteristique de ces reseaux est que les unites d'une couche sont reliees
a toutes celles de la couche superieure, mais a aucune autre. A chaque lien entre deux unites i
et j , on associe un poids correspondant a la force de la connexion entre ces deux unites, note
w(i; j ).
Dans ces modeles, la couche d'entree sert a la lecture des donnees et la couche de sortie a
traduire la decision. En general, il s'agit d'une decision de classication.
10.2.1 La transmission de l'information dans un reseau multicouche
Le fonctionnement d'un reseau connexionniste, pour des poids de connexions donnes, se
resume a denir une regle de propagation, qui decrit comment calculer l'etat d'activation d'une
unite j en fonction des unites i pour lesquelles il existe un poids w(i; j ). Appelons source(j )
l'ensemble de ces unites i. Le shema est donne a la gure 10.5
La regle la plus souvent utilisee consiste a calculer la somme des valeurs de sortie yi des
unites i 2 source(j ), ponderees par les poids des connexions correspondantes.
X
j = w(i; j ) yi
i2source(j )
3. C'est-a-dire en forme de s.
source(j)
1 dest(j)
i
w(i,j)
w(j,k)
j k
w(0,j)
Fig. 10.5 { Le neurone formel : notation des connexions.
Cette regle n'est pas utilisee pour calculer l'etat d'activation des neurones d'entree, puisque
leur rôle est simplement de transmettre les entrees. Dans leur cas, on a donc simplement j = xj .
De plus, on doit ajouter au vecteur d'entree une composante supplementaire, appelee oset 4 ,
representee par un triangle dans la gure 10.5 et dont la valeur est le plus souvent xee arbitrai-
rement a 1. Bien que ce ne soit pas necessaire, une entree du même type est souvent rajoutee
a chaque couche cachee, pour des raisons d'homogeneite dans les algorithmes de reconnaissance
et d'apprentissage. Pour chaque couche, on ajoute donc un neurone formel dans lequel n'arrive
aucune connexion, dont l'activite est toujours egale a 1 et dont les transitions vers les neurones
formels j de la couche superieure sont notees w(0; j ).
L'equation de fonctionnement de chaque neurone j est nalement la suivante :
X
j = w(0; j ) + w(i; j ) yi (10.2)
i2source(j )
En resume, dans le cas d'un reseau a couches, la couche d'entree est activee par l'arrivee
d'une donnee, en recevant une composante du vecteur x sur chacune de ses unites. La premiere
couche cachee eectue le calcul ci-dessus (equation 10.2) pour chacune de ses unites, puis c'est
au tour de la seconde, etc. Finalement, l'unite de la couche de sortie ayant la valeur la plus
forte indique la classe calculee pour l'entree. Un reseau connexionniste multicouche general est
represente sur la gure 10.6.
10.2.2 Un exemple
Considerons le reseau a deux entrees x1 et x2 de la gure 10.7. Il possede une couche cachee
composee des neurones formels numerotes 3 et 4. Sa couche de sortie est composee d'un seul
neurone formel, numerote 5. Il y a une valeur d'oset xee a 1 pour le vecteur d'entree et une
autre pour la couche cachee.
4. Le mot francais serait malheureusement (( biais )), qui a un autre sens en apprentissage.
0 p
0 1
1 1
i
0 1 i
i
1 i 1
c
i
r
i
m 0
d q
Fig. 10.6 { Le reseau multicouche general. Dans ce graphisme, l'information se propage de la

gauche vers la droite. Les neurones formels sont indiques par des cercles. Les com-
posantes du vecteur d'entree et les osets sont a l'interieur des triangles.
w(2,4)
x2
w(2,3) 1
w(0,5)
w(1,4) w(4,5)
x1 4 5
w(0,4) w(3,5)
w(1,3) 3
1
w(0,3)
Fig. 10.7 { Un exemple de reseau multicouche : la notation des neurones formels et des poids
des connexions.
Fixons maintenant (gure 10.8) la valeur des poids comme suit :

w(0; 3) = 0:2 w(1; 3) = 0:1 w(2; 3) = 0:3
w(0; 4) = ;0:3 w(1; 4) = ;0:2 w(2; 4) = 0:4
w(0; 5) = 0:4 w(3; 5) = 0:5 w(4; 5) = ;0:4
1
et prenons pour vecteur d'entree x = 1
0.4
x2
1
0.3
0.4
-0.2 -0.4
x1 4 5
0.5
-0.3
0.1 3
1
0.2
Fig. 10.8 { Le même exemple avec des valeurs numeriques pour les poids des connexions.
La propagation des calculs s'eectue alors comme indique dans la table ci-dessous :
Neurone formel j j yj
3 0:2 + 0:1 1 + 0:3 1 = 0:6 1 ' 0:65
1+e;0:6
;0:3 + ;0:2 1 + 0:4 1 = ;0:1 1+e0:1 ' 0:48
4 1
5 0:4 + 0:5 0:65 ; 0:4 0:48 = 0:53 1+e
1;0:53 ' 0:63
10.2.3 Un autre exemple : le probleme (( XOR ))

Cet exemple a pour but de montrer comment l'introduction de la fonction non lineaire
de sortie des neurones formels et de l'architecture en couches permet d'obtenir des surfaces
separatrices non lineaires.
Placons nous dans IR2 , avec quatre points d'apprentissage situes au quatre coins du carre
unite. Chaque paire de points opposes en diagonale forme une classe. Les exemples ont donc la
forme suivante :
x2
4
4
x1
Fig. 10.9 { Le probleme XOR : les deux points 4 sont des exemples de la même classe, les deux
points des exemples d'une autre classe. Les deux classes ne sont pas lineairement
separables.
Le reseau connexionniste de la gure 10.10 permet de resoudre le probleme. En choisissant
yi = f (i) comme la fonction seuil, la propagation des calculs se fait comme indique dans le
tableau associe.
1.
x2
1
1.
-0.5
1. -1
x1 4 5
1
-1.5
1.
3
1
-0.5
Fig. 10.10 { Un reseau (( XOR )).
x1 x2 3 y3 4 y4 5 y5
0 0 -0.5 0 -1.5 0 -0.5 0
0 1 0.5 1 -0.5 0 0.5 1
1 0 0.5 1 -0.5 0 0.5 1
1 1 1.5 1 0.5 1 -0.5 0
Un interpretation est possible en logique booleenne : au lieu de considerer les valeurs 0 et 1
comme des coordonnees numeriques, prenons-les comme des valeurs logiques. Dans ce cas, on
peut interpreter les sorties intermediaires et la sortie nale comme des fonctions booleennes sur
les entrees. Le reseau realise la fonction XOR (le OU exclusif), qui vaut 0 pour les deux points
4 et 1 pour les deux points . Ceci est rendu possible par les non-linearites du systeme de
calcul (voir la gure 10.11).
y3 = x1 _ x2
y4 = x1 ^ x2
y5 = y3 ^ :y2 = x1 XOR x2
10.2.4 Le protocole d'apprentissage

Dans le cas des reseaux connexionnistes, les donnees d'apprentissage sont en general presentees
sequentiellement ; l'apprentissage est donc incremental. Chaque etape emploie une donnee pour
modier les poids des connexions. La suite des donnees utilisees peut être construite par un
tirage aleatoire avec remise dans l'ensemble des exemples ou par plusieurs passages successifs de
la totalite de cet ensemble. Au total, le nombre de donnees utilisees pour l'apprentissage est en
general bien superieur au nombre d'exemples : chacun est utilise en moyenne ou exactement un
grand nombre de fois (couramment une centaine de fois).
x2
4
4
x1
Fig. 10.11 { Une des facons de resoudre le probleme XOR avec un reseau connexionniste a une
couche cachee. La zone aectee a la classe 4 est le (( couloir )) compris entre les
deux droites en pointille, celle aectee a la classe est a l'exterieur. La premiere
droite repond a l'equation x1 + x2 ; 0:5 = 0 et realise un OU logique. La seconde
repond a l'equation x1 + x2 ; 0:5 = 0 et realise un ET logique. Elles sont faites
par la premiere couche du reseau. La seconde couche combine les deux decisions
lineaires en une decision non lineaire.
10.2.5 Le codage des exemples d'apprentissage

Les modeles connexionnistes dont nous parlons utilisent pour leur apprentissage des donnees
couplees a une classe d'appartenance, laquelle est representee par un autre vecteur de sorties
desirees note u (conformement aux notations du chapitre 2; voir aussi la page de notations,
page xxvii) ; ce vecteur est de dimension egale aux nombre C de classes. Un exemple d'appren-
tissage z est donc compose d'un vecteur u de sortie desiree associe a un vecteur d'entree x :
z = (x; u). Par consequent, chaque neurone formel de sortie correspond a une classe et une
seule 5 .
L'apprentissage d'une regle de classication se fera en general en attribuant une classe a
chaque coordonnee du vecteur des sorties : la classe !1 sera codee uT = (1; 0; 0; :::0), la classe
!C : uT = (0; 0; :::1).
Un reseau connexionniste multicouche peut en realite apprendre des associations plus com-
plexes : la sortie etant un vecteur de IRC , il peut approximer toute fonction de IRd dans IRC .
10.3 L'algorithme d'apprentissage

La caracteristique la plus interessante d'un reseau de neurones articiels est sa capacite
d'apprendre, c'est-a-dire de modier les poids de ses connexions en fonction des donnees d'ap-
prentissage, de telle sorte qu'apres un certain temps d'entra^nement il ait acquis une faculte de
generalisation.
Pour proceder graduellement, nous allons d'abord redecrire l'algorithme du perceptron, en
le considerant comme un reseau connexionniste. Nous montrerons ensuite que cet algorithme
d'apprentissage peut se voir comme un probleme d'optimisation qui se resout par une methode
de gradient. Ce qui permettra de generaliser d'abord a un perceptron travaillant avec plus de
deux classes, puis au reseau connexionniste multicouche.
5. Il existe d'autres codages dans lesquels une classe est associee a un sous-ensemble de neurones de sortie. Ceci
permet en particulier d'utiliser la technique des codes correcteurs d'erreur (voir [DB95]).
10.3.1 Retour sur le perceptron
10.3.1.1 Le perceptron pour deux classes
Fonction seuil en sortie
Le perceptron a ete deja ete etudie au chapitre 9 dans le cadre des separateurs lineaires. On
va le voir ici comme un reseau connexionniste a couches, comportant une couche de neurones
d'entrees, un neurone de sortie unique et pas de couche cachee. Les connexions sont donc faites
directement entre la couche d'entree et le neurone de sortie, ce qui se traduit dans le cas de deux
classes par une decision par seuil sur une combinaison lineaire des valeurs d'entree.
w(0)
x1
w(1)
w(i) y
xi w(d)
xd
f () = w(0) +
Ple reseau connexionniste le plus simple. Il eectue le calcul : y =
Fig. 10.12 { Le perceptron est
d w(i)x
i=1 i
La gure 10.12 montre comment le perceptron peut être represente comme un reseau connexion-
niste sans couche cachee, avec un seul neurone formel de sortie.
f est ici la fonction seuil, calculee a partir de de la maniere suivante :
0 , y = f () = 1
0 , y = f () = 0
L'apprentissage dans le perceptron se fait par la regle de modication des poids qui a ete
donnee au chapitre 9. Dans le cas de deux classes, il n'y a qu'une seule sortie, et la decision
d'appartenance a une des deux classes est prise en comparant la valeur de sortie a un seuil.
L'algorithme d'apprentissage se contente de modier le vecteur des poids en lui ajoutant ou lui
enlevant un vecteur proportionnel a l'entree x, dans le cas ou celle-ci conduit a une valeur du
mauvais côte du seuil ; il ne fait rien sinon.
Au chapitre 9, nous avons formalise cet apprentissage, pour deux classes !1 et !2 par l'algo-
rithme 9.2.
Recrivons-le un peu dieremment pour nous placer dans les notations de ce chapitre. Le
vecteur a du chapitre 9 correspond directement a l'ensemble des poids des connexions. Nous
notons ici w(i) le poids de la connexion menant de l'entree xi au neurone de sortie.
u, et y sont pour le moment des vecteurs ayant une seule composante. Le perceptron
eectue donc le calcul fonde sur l'equation 10.2 :
X
d !
y = f () = f w(0) + w(i)xi
i=1
En phase d'apprentissage, la modication apportee a w(i) au cours de l'apprentissage pour
le mener de sa valeur a l'instant t a celle a l'instant t + 1 par une entree x se note i ; elle peut
maintenant s'ecrire de la maniere suivante :
i = xi (u ; y) (10.3)
En eet, quand x est bien classe, le terme (u ; y), qui est un scalaire (les vecteurs u et y sont
de dimension 1), vaut 0. Quand x est mal classe, ce terme vaut +1 ou ;1 selon que x est un
exemple ou un contre-exemple. L'algorithme d'apprentissage devient donc :

Algorithme 10.1 Reformulation de l'apprentissage du perceptron.
Prendre a(0) quelconque et positif quelconque
t=0
tirer au hasard une donnee d'apprentissage x parmi les m
pour i = 1; d faire
i xi (u ; y)
wi wi + i
n pour
t t+1
n tant que
Fonction identite en sortie

Supposons que nous enlevions la fonction seuil a la sortie et que l'on ait desormais :
y
Rien n'empêche d'appliquer la même modication de poids que precedemment, c'est-a-dire :
i = xi (u ; )
On se trouve alors dans un apprentissage du type (( punition-recompense )) : les poids sont
modies proportionnellement a l'entree et a la conformite de la sortie avec la sortie desiree.
Pour être plus precis, si nous denissons par
E = 21 (u2 ; y2 ) (10.4)
P
la fonction d'erreur entre la sortie y = di=0 wi xi et la sortie desiree u, on peut constater que :
@E = @E : @ y = ;(u ; )x
@w @ y @w
i i
i
i peut donc être interpretee comme une modication de wi par la technique du gradient
pour minimiser E .
Voyons maintenant comment on peut, en gardant le même principe d'apprentissage, generaliser
le perceptron pour lui donner des capacites beaucoup plus fortes, selon deux directions : en aug-
mentant la taille de sa couche de sortie, puis en introduisant des couches cachees.
10.3.1.2 Le perceptron pour plus de deux classes.
La transformation precedente permet maintenant d'appliquer directement le même calcul a
l'apprentissage d'une regle de classication pour un nombre quelconque C de classes. Il sut,
comme on l'a vu, de construire pour chaque donnee d'apprentissage un vecteur de sortie desiree
u de dimension C valant 1 sur la coordonnee correspondant a la classe et 0 partout ailleurs
(gure 10.13).
w(0,1)
1
1 y1
x1
w(i,j) j yj
xi
xd
C yC
w(d,C)
Fig. 10.13 { Le perceptron pour C classes.
En notant w(i; j ) le poids de la connexion menant de l'entree d'indice i a la sortie d'indice

j , on peut calculer pour une entree x donnee chaque sortie par :
X
i=d
yj = j = w(0; j ) + w(i; j )xi
i=1
Idealement, un perceptron ayant parfaitement appris (au moins) les donnees d'apprentissage
devrait fournir pour chacune d'elles une sortie y = egale a la sortie desiree u.
On mesure alors l'erreur de classication pour l'entree x comme la distance euclidienne 6
D(u; y) entre la sortie desiree u et la sortie calculee y :
jX
=C
D(u; y) = D(u; ) = 21 (uj ; j )2 (10.5)
j =1
6. On note dans ce chapitre la distance euclidienne D et non pas , pour eviter la confusion avec la notation
traditionnelle de la (( regle delta )) de l'apprentissage des reseaux connexionnistes.
On peut appliquer pour l'apprentissage une generalisation de la technique du paragraphe precedent :

la regle delta. Elle consiste a modier le poids w(i; j ) d'une quantite :
ij = xi (uj ; yj ) (10.6)
ou est une valeur positive comprise entre 0 et 1.
Ceci revient encore a appliquer la technique de l'optimisation par gradient (voir l'annexe 18.2),
qui consiste ici a constater que la contribution du poids w(i; j ) a l'erreur D(u; y) peut s'ecrire :
@ D (u ; )
@w(i; j )
Puisque l'on a :
X
i=d
j = w(0; j ) + w(i; j )xi
i=1
et : jX=C
1
D(u; y) = D(u; ) = 2 (uj ; j )2
j =1
le calcul se fait donc ainsi :
@ @ @j
@w(i; j ) D(u; ) = @j D(u; ) @w(i; j )
= 21 ( @@ (uj ; j )2 ) @w@ j
(i; j )
j
= (j ; uj )xi
= (yj ; uj )xi
Selon la technique du gradient, w(i; j ) doit être modie d'une valeur ij proportionnellement et
en sens inverse a la contribution du poids w(i; j ) a l'erreur D(u; y). D'ou la formule 10.6 donnee
ci-dessus pour la regle delta.
La regle delta est donc a la fois une generalisation de la regle d'apprentissage du perceptron
pour le cas a deux classes et une technique de minimisation par gradient de l'erreur quadratique
moyenne.
10.3.1.3 Plus de deux classes et une sigmode en sortie
Dans ce paragraphe, nous continuons a progresser en supposant que la sortie j est trans-
formee en yj = f (j ), ou f est la fonction sigmode de parametre = 1 (voir la gure 10.4) :
yj = f (j ) = 1 + 1e;j
Le calcul devient :
@ ( 1 (u ; y )2) = 1 ( @ (u ; y )2 ) @yj @j = (y ; u ) y (1 ; y ) x
@w(i; j ) 2 j j 2 @y j j @ @w(i; j )
j j
j j j j i
D'ou :
ij = (uj ; yj ) yj (1 ; yj ) xi (10.7)
En eet, comme indique dans l'annexe 18.3, la fonction f repond a l'equation dierentielle :
f 0 = f (1 ; f )
10.3.2 L'apprentissage par retropropagation du gradient de l'erreur
C'est seulement en 1986 que la generalisation de la regle delta aux reseaux a couches cachees a
ete formule. Cette generalisation, la regle de la retropropagation du gradient de l'erreur, consiste
a propager l'erreur obtenue a une unite de sortie d'un reseau a couches comportant une ou
plusieurs couches cachees a travers le reseau par descente du gradient dans le sens inverse de la
propagation des activations. La gure 10.14 montre une illustration du principe.
source(j)
1 dest(j)
i
w(i,j)
w(j,k)
j k
n w(0,j)
Fig. 10.14 { Schema du modele de la retropropagation de l'erreur. La modication a apporter

aux poids entre la couche source(j ) et le neurone formel j ne peut être calculee que
si on conna^t deja la modication qu'il faut apporter aux poids w(j; k) entre j et
les elements de dest(j ).
Rappellons qu'un reseau a couches est compose d'un ensemble de neurones formels groupes
en sous-ensembles distincts (les couches) de telle sorte qu'il n'y ait aucune connexion entre deux
neurones d'une même couche 7 .
A la n de l'apprentissage, lorsque le reseau a appris a modeliser son environnement, le
comportement souhaite du reseau est le suivant : on presente un vecteur d'entree au reseau,
celui-ci propage vers la sortie les valeurs d'activation correspondantes (en utilisant une regle de
propagation), an de generer, par l'intermediaire des neurones de sortie, un vecteur de sortie.
Celui-ci devrait correspondre a la sortie desiree, telle qu'apprise lors de la phase d'apprentissage.
La generalisation de la regle delta aux reseaux multicouches utilise une methode de descente
du gradient, permettant de calculer la modication des poids des connexions entre les couches
cachees (pour plus de details, voir l'annexe 18.3 ou la reference [RHW86]). An de pouvoir
calculer le gradient de l'erreur par rapport aux poids du reseau, la fonction de sortie d'un neurone
doit être dierentiable et non lineaire (sinon, on pourrait reduire le reseau a un perceptron). La
fonction la plus souvent utilisee est, comme on l'a deja dit, la sigmode :
7. Une amelioration de la regle de retropropagation permet l'introduction de cycles entre les couches, pour obtenir
des reseaux recurrents.
yj = f (j ) = 1 +1e;j (10.8)

La regle delta generalisee dicte alors le changement de poids entre le neurone i et le neurone
j de la facon suivante :
w(i; j ) = j yi (10.9)
c'est-a-dire de facon proportionnelle a une mesure d'erreur j caracteristique du neurone j et
a la valeur d'entree notee ici 8 yi. Pour les connexions aboutissant aux neurones de sortie, cette
mesure d'erreur est evidemment calculee ainsi :
j = (uj ; yj ) yj (1 ; yj ) (10.10)
Le calcul de l'erreur aux unites cachees se fait ensuite recursivement par la descente du gradient.
Soit dest(j ) l'ensemble des neurones auxquels j se connecte :
X
j = yj (1 ; yj ) k w(j; k) (10.11)
k2dest(j )
Le calcul est detaille dans l'annexe 18.3.
Lorsque l'on applique la regle delta generalisee sur le reseau de facon iterative pour un
ensemble de vecteurs d'entrees (correspondant a l'environnement), le reseau tentera de minimiser
l'erreur obtenue a la sortie, et donc de modeliser le mieux possible la fonction desiree entre les
entrees et les sorties.
10.3.3 L'organisation des calculs
Les calculs s'organisent de la facon donnee dans l'algorithme 10.2. Le point a remarquer est
que l'actualisation des poids ne se fait qu'une fois la retropropagation terminee : il ne faut en eet
pas changer trop tôt la valeur d'un poids puisque celle-ce intervient dans le calcul concernant la
couche suivante.
10.3.4 Retour sur l'exemple
Reprenons l'exemple du paragraphe 10.7 en supposant que la sortie desiree au vecteur
d'entree xT = (1; 1) vaille u = 0. Apres modication des poids sur cet exemple, son nou-
veau passage dans le reseau doit conduire a une sortie inferieure a la valeur precedente, qui etait
de 0:63.
Pour le neurone formel de sortie, on a :
w(i; j ) = j yi
avec :
j = (uj ; yj ) yj (1 ; yj )
On prend d'abord : i = 3 et j = 5, ce qui mene a :
5 = (0: ; 0:63) 0:63 (1: ; 0:63) = ;0:147
8. C'est en eet la sortie du neurone i.
Algorithme 10.2 Apprentissage du perceptron multicouche.
tant que l'apprentissage n'a pas converge faire
tirer au hasard un point d'apprentissage
pour chaque couche, en partant de celle du haut faire
pour chaque neurone formel de cette couche faire
calculer j
pour chaque connexion w(i; j ) menant au neurone formel j faire
calculer w(i; j ) = j yi
n pour
n pour
n pour
pour chaque connexion w(i; j ) faire

w(i; j ) w(i; j ) + w(i; j )
n pour
n tant que
d'ou :
w(3; 5) = ;0:147 0:65 ' ;0:1
en xant la valeur a 1. De même, pour i = 4, on obtient :
w(4; 5) = 0:48 ;0:147 ' ;0:07
w(0; 5) = ;0:147 1: = ;0:147
Pour le neurone formel cache note 4, on a d'abord, puisque dest(4) = f5g :
4 = y4 (1 ; y4) 5 w(4; 5) = 0:48 (1 ; 0:48) ;0:147 ;0:4 =' 0:015
D'ou :
w(1; 4) = 0:015 1:= 0:015
w(2; 4) = 0:015 1:= 0:015
w(0; 4) = 0:015 1:= 0:015
De même, puisque dest(3) = f5g :

3 = y3 (1 ; y3) 5 w(3; 5) = 0:65 (1 ; 0:65) ;0:147 0:5 =' ;0:017
D'ou :
w(1; 3) = 0:016 1:= ;0:017
w(2; 3) = 0:016 1:= ;0:017
w(0; 3) = 0:016 1:= ;0:017
Apres modication, les poids deviennent donc :

w(0; 5) + w(0; 5) = 0:4 ; 0:147 ' 0:25
w(3; 5) + w(3; 5) = 0:5 ; 0:1 = 0:4
w(4; 5) + w(4; 5) = ;0:4 ; 0:07 = ;0:47
w(0; 3) + w(0; 3) = 0:2 ; 0:017 = 0:183

w(1; 3) + w(1; 3) = 0:1 ; 0:017 = 0:083
w(2; 3) + w(2; 3) = 0:3 ; 0:017 = 0:283
w(0; 4) + w(0; 4) =;0:3 + 0:015 =;0:285

w(1; 4) + w(1; 4) =;0:2 + 0:015 =;0:185

w(2; 4) + w(2; 4) = 0:4 + 0:015 = 0:415
Dans le reseau modie, le calcul sur le vecteur d'entree devient par consequent :
Neurone formel j j yj
0:183 + 0:083 1 + 0:283 1 = 0:55 1+e0:65 ' 0:63
3 1
4 ;0:285 + ;0:185 1 + 0:415 1 = ;0:055 1+e;10:055 ' 0:51
5 0:25 + 0:4 0:63 ; 0:47 0:51 = 0:26 1+e10:205 ' 0:56
Si on compare la valeur de sortie a celle du tableau de la section 10.2.2 on constate qu'elle est
passee de 0:63 avant apprentissage a 0:56 apres : elle s'est rapprochee de la valeur desiree 0.
10.3.5 Une variante
Il est possible de transformer un reseau connexionniste multicouche en un systeme de decision
bayesien (voir les chapitres 2 et 14) en changeant la distance entre la sortie calculee et la sortie
desiree, sans modier la regle de retropropagation du gradient de l'erreur.
On desire ici une valeur du neurone de sortie yj qui vaille la probabilite que le vecteur d'entree
appartienne a la classe j . Soit X = (X1 ; : : : ; XC ) une variable aleatoire multidimensionnelle qui
represente, sous une hypothese multinomiale, la distribution des sorties desirees. La probabilite
de X s'exprime en fonction des probabilites a priori yj d'appartenir a la classe j :
Y
C PCi=1 ui;uj
P (X1 = u1 ; : : : ; XC = uC ) = yjuj (1 ; yj )
j =1
Au maximum de vraisemblance, chercher les parametres qui maximisent cette quantite est
equivalent a minimiser la fonction d'erreur entropie croisee (voir le chapitre 11):
X
C
E= ;uj Log(yj ) ; (1 ; uj ) Log(1 ; yj ) (10.12)
j =1
Il faut calculer :
@E @E @yj @j
@w(i; j ) = @yj @j @w(i; j )
On a :
@E = ; uj + 1 ; uj = yj ; uj
@yj yj 1 ; yj yj (1 ; yj )
@yj = y (1 ; y )
@j j j
@j = y
@w(i; j ) i
Finalement :
@E = (y ; u ) y (10.13)
@w(i; j ) j j i
Il ne reste plus qu'a appliquer la regle de retropropagation du gradient de l'erreur avec cette
valeur, au lieu de la regle delta de l'equation 10.7, qui correspond a la distance euclidienne entre
la sortie calculee et la sortie desiree.
10.3.6 Quand arrêter l'apprentissage?
Il est dicile de trouver un critere general pour arrêter cet algorithme. Le probleme est que
le risque empirique tend a diminuer lentement et a ne jamais se stabiliser completement, ce
qui mene a un surapprentissage. La meilleure maniere d'eviter ce phenomene est d'utiliser un
ensemble de validation (voir chapitre 3, paragraphe 3.4.5.1).
10.3.7 Le probleme des minima locaux
Comme tous les algorithmes d'optimisation bases sur la descente du gradient, l'algorithme de
la retropropagation est susceptible de s'arrêter aux minima locaux. Par consequent, la solution
trouvee sera fortement reliee au choix des poids initiaux du reseau. Si les poids sont choisis pres
d'un minimum local sous-optimal, l'algorithme ne pourra pas trouver la solution desiree. An
de contourner ce probleme, on peut utiliser plusieurs techniques:
Relancer l'apprentissage plusieurs fois en utilisant des poids initiaux dierents, ce qui
entra^ne un temps de calcul plus eleve.
Introduire du bruit dans la recherche pour pouvoir sortir des minima locaux.
Utiliser les techniques avancees de descente de gradient : second ordre, gradient conjugue,
etc. (voir [Bis95, Hay99]).
10.4 Quelques resultats theoriques sur les reseaux connexion-

nistes
Plusieurs resultats theoriques sur l'apprentissage des reseaux connexionnistes ont ete obtenus,
particulierement en ce qui a trait a leur pouvoir d'expression, leur complexite, ainsi que leur
capacite de generalisation. Nous donnons dans cette section quelques-uns de ces resultats.
10.4.1 Pouvoir d'expression
Le pouvoir d'expression d'un reseau de neurones connexionniste, comme de toute regle de
classication, est une mesure du nombre de fonctions dierentes que celui-ci peut approximer.
Il est en eet interessant de conna^tre a priori les familles de fonctions auxquelles vont apparte-
nir les surfaces de decision. Plusieurs resultats montrent par exemple qu'un reseau de neurones
articiels multicouche peut approximer avec une precision arbitraire n'importe quelle transfor-
mation continue d'un espace a dimension nie vers un autre espace a dimension nie, s'il possede
susamment de neurones formels caches (voir [Hay99]). En ce sens, on dit qu'il est un approxi-
mateur universel. Certains resultats montrent même qu'a l'exception de cas extrêmes, une seule
couche cachee est susante.
Il faut cependant noter que ces resultats ne fournissent aucun indice sur la methode a utiliser
pour trouver directement les poids correspondant a l'approximation d'une fonction donnee.
On ne sait les calculer que par apprentissage. Ce resultat etait connu avant la decouverte de
l'algorithme de retropropagation du gradient de l'erreur, qui a alors permis de l'utiliser en
pratique.
10.4.2 Complexite
Les reseaux connexionnistes ayant un si grand pouvoir d'expression, il devient interessant de
conna^tre les aspects de complexite relies a ce modele (voir [Orp92] pour une revue). Ainsi, il a
ete montre le resultat suivant:
E tant donne un reseau de neurones articiels arbitraire R et une tâche arbitraire
T devant être resolue par R, le probleme consistant a decider si dans l'espace de
tous les parametres de R (ses poids, sa structure) il existe une solution qui resout
adequatement T , est NP-dicile.
Malgre cela, il est possible [Bau89] de trouver une solution (un ensemble de poids) pour T en
temps polynomial si on peut utiliser des algorithmes d'apprentissage constructifs 9 . Il existe un
certain nombre de ces algorithmes mais aucune preuve de convergence en temps polynomial
n'existe actuellement pour ces algorithmes.
D'un point de vue pratique, certaines experiences empiriques (dont [Hin89]) montrent qu'on
peut faire apprendre une tâche complexe a un reseau; de neurones
articiels en utilisant l'algo-
rithme de la retropropagation de l'erreur en temps O W 3 ou W represente le nombre de poids
du reseau. En eet, bien qu'il faille un temps exponentiel (sur le nombre de poids) pour obte-
nir la solution optimale, on peut souvent en pratique se contenter d'une solution sous-optimale
satisfaisante obtenue en temps polynomial.
10.4.3 Reseaux connexionnistes et apprentissage PAC
Des liens profonds existent entre la capacite d'apprentissage d'un reseau connexionniste et
la theorie de l'apprentissage. Le lecteur peut se reporter par exemple a C. Bishop ([Bis95]) pour
un traitement de ce sujet.
9. ayant la possibilite d'ajouter des neurones et des connexions durant l'apprentissage.

10.5 Comment choisir l'architecture d'un reseau?
Un des problemes majeurs des reseaux connexionnistes a trait a la diculte de decider de
leur architecture. Devant une tâche a resoudre par un reseau connexionniste, l'ingenieur doit
prendre des decisions d'architecture non evidentes et pourtant tres importantes : par exemple,
il faut decider du nombre de neurones caches, du nombre de couches cachees, et de leur in-
terconnexion. Ceci se fait souvent de facon ad hoc ou en utilisant quelques regles heuristiques
simples. Souvent on procede en essayant diverses architectures pour un probleme donne et en
calculant l'erreur de generalisation pour chacune sur un ensemble de validation. En eet, hormis
une recherche exhaustive, aucune methode n'est connue pour determiner l'architecture optimale
pour un probleme donne. Or tous les resultats theoriques sur les reseaux connexionnistes (leur
puissance de calcul ou leur faculte de generalisation) ne tiennent que si l'on utilise l'architecture
ideale (ou tout au moins susante et necessaire).

Une solution a ce probleme consiste a utiliser des algorithmes constructifs qui commencent
avec une architecture minimale et ajoutent des neurones et des connexions au fur et a mesure de
l'apprentissage. D'autres solutions utilisent plutôt une technique inverse : a partir d'une archi-
tecture complete, ils eliminent certains neurones et/ou connexions qui semblent non essentiels.
Depuis peu, on commence a utiliser des methodes d'optimisation pour chercher l'architecture
ideale. Ainsi, plusieurs travaux proposent l'utilisation des algorithmes genetiques pour optimiser
l'architecture des reseaux de neurones (voir le chapitre 8).
Un autre probleme tient au choix des parametres des divers algorithmes d'apprentissage. En
eet, chaque regle d'apprentissage utilise generalement un certain nombre de parametres pour
guider l'apprentissage. Ainsi, la regle de la retropropagation de l'erreur est basee notamment sur
le taux d'apprentissage note dans ce chapitre. Ce taux varie d'une tâche a l'autre, et encore
une fois, on utilise souvent des regles heuristiques simples pour determiner sa valeur ideale. Dans
la même veine que pour le choix des architectures, on utilise maintenant des methodes comme
les algorithmes genetiques pour choisir ces parametres.

L'ouvrage de Dreyfus et al. ([DMS+ 02]) est recommande : encyclopedique, ecrit en francais et
recent. Les livres de R. Golden ([Gol96]), C. Bishop ([Bis95]) et B. Ripley ([Rip96])) fournissent
des panoramas sur la theorie et de la pratique de ces outils. Le chapitre 6 du livre de R. Duda, P.
Hart et R. Stork ([DHS01]) est une remarquable introduction theorique et pratique. On pourra
aussi consulter les ouvrages suivants, interessants a divers titres : [Sch92], [WK91], [HKP91].
Le travail fondateur le plus souvent cite est celui de W. Mc Culloch et W. Pitt ([MP43]) bien
que l'apprentissage n'y soit pas reellement aborde. On ne peut que remarquer le travail de A. Tu-
ring, en 1948, sur l'organisation d'unites logiques elementaires en un ensemble au comportement
complexe ([Tur92]). Les travaux sur les reseaux de neurones formels, souvent inspires par des
motivations de modelisation biologique, n'ont pas cesse depuis cette epoque jusqu'a nos jours.
Du point de vue de l'apprentissage articiel, le tournant se situe en 1986, ou il s'est produit un
phenomene courant en sciences : la decouverte independante et quasi simultanee d'un resultat
important, en l'occurence, les formules de la retropropagation de gradient de l'erreur. Le livre de
P. Werbos ([Wer84]) et l'article de B. Widrow ([Wid94]) relatent l'historique de cette decouverte
et des reseaux connexionnistes en general.
Une veritable explosion de publications et d'applications tres diverses a suivi et continue
de nos jours, couvrant aussi bien les ameliorations des techniques d'apprentissage que leur
generalisation a des modeles plus complexes, ou leur application a des donnees sequentielles
ou bidimensionnelles: signaux et images. Les liens des reseaux connexionnistes avec la theorie
bayesienne, les theories de l'apprentissage et l'analyse (au sens mathematique du terme) ont
aussi ete eclaircis. Les travaux de modelisation biologiques et situes dans le domaine des sciences
cognitives sont egalement tres nombreux.
Le texte de ce chapitre est en partie inspire de l'introduction de la these (PhD) de Samy
Bengio, universite de Montreal, 1993.
Resume
Les reseaux connexionnistes sont des mecanismes de calcul permettant en par-
ticulier d'aecter une classe a un vecteur de donnees numeriques.
Par un processus d'apprentissage par optimisation, un reseau connexionniste
peut adapter ses parametres a un ensemble de donnees supervisees, dans le

but d'en generaliser les caracteristiques.
Les capacites de generalisation de ces systemes sont bonnes. L'algorithme d'ap-
prentissage classique, la retropropagation du gradient de l'erreur, est eprouve.
Il a donne lieu a de nombreuses ameliorations, en particulier en ce qui concerne
sa rapidite et son arrêt avant la surgeneralisation.
Les reseaux connexionnistes ont ete etendus a des architectures permettant de
realiser l'apprentissage de regles de classication de sequences. Ils permettent
aussi l'apprentissage de fonctions de regression.
Chapitre 11
Apprentissage par combinaison de
decisions
L'une des grandes familles d'approches pour la resolution de problemes comme pour
l'apprentissage est la technique consistant a (( diviser pour regner )) (divide and
conquer). Elle se resume a identier des sous-problemes, a leur trouver une solu-
tion, puis a combiner ces solutions pour resoudre le probleme general.
C'est sur ce principe que sont fondes les algorithmes d'apprentissage par arbres de
decision. Ils apprennent a identier les sous-espaces de l'espace d'entree pour les-
quels la solution est identique. Lorsqu'un nouveau cas est soumis au systeme, celui-ci
identie le sous-espace correspondant et retourne la reponse associee.
D'autres familles d'algorithmes distribuent la tâche entre plusieurs experts et com-
binent les solutions partielles pour obtenir la solution generale. L'apprentissage con-
siste alors a determiner les solutions partielles et a trouver une maniere ecace
pour les combiner. Lorsque la combinaison des reponses des experts ne depend pas
de l'entree, on parle de combinaison statique. Les methodes de boosting, tres etudiees
actuellement, sont l'archetype de cette approche. Lorsque la combinaison depend de
l'entree, on parle alors de structures dynamiques, dont les melanges d'experts et les
melanges hierarchiques d'experts sont les methodes les plus representatives.
334
es manuels d'ornithologie et les (( ores )) (les livres pour l'identication des plantes
L a eurs) ne sont en general pas organises de la même maniere. Pour les premiers, on
trouve les oiseaux dans un ordre invariable, correspondant a l'enumeration savante
des ordres et des especes. Un dessin de chaque oiseau est donne, accompagne d'une
description imagee et de details permettant de contraster l'espece en question d'avec celles qui
peuvent prêter a confusion. Par exemple, si on observe un grand oiseau blanc sur un plan d'eau,
un rapide parcours des gures amene sans ambigute a la page des cygnes, ou seulement trois
especes sont decrites 1 . Il reste a se decider avec le texte et les details des dessins, en lisant par
exemple : (( Au repos, le cygne tubercule a l'habitude de tenir le cou recourbe )), ou : (( Le cygne
chanteur a un bec jaune ; il est migrateur hivernal et niche dans la toundra )).
En ce qui concerne les ores, une organisation dierente est souvent adoptee. La raison
principale est qu'il y a beaucoup plus d'especes de plantes a eurs que d'oiseaux. A l'observation
d'une eur, il est impossible de parcourir au hasard des milliers d'illustrations en esperant trouver
la bonne page avec une probabilite susante. C'est pourquoi le systeme de recherche est fonde
sur un questionnaire structure. Supposons avoir devant nous une certaine eur et dans la main
une edition de la ore Bonnier 2. Une sequence de reconnaissance (un peu raccourcie pour la
lisibilite) sera par exemple la suivante, en supposant que la eur (( reponde )) positivement a
chaque test :
Plante ayant des eurs, avec des etamines ou un pistil, ou les deux a la fois?
Fleurs non reunies en capitule entoure d'une collerette de bractees?
Fleurs a deux enveloppes de couleur et de consistance dierentes?
Corolle non papilionacee?
Petales libres entre eux?
Fleur ayant plus de douze etamines?

Etamines reunies entre elles?
Plante herbacee?
Fleurs a l'aisselle des feuilles?
Calicule a trois bractees libres et stigmate obtus?
Une seule eur a l'aisselle des feuilles?
Bractees du calicule etroites ; carpelle velue?
Decision : la plante est la Malva rotundifolia L. (\Mauve a feuille rondes\)
A chaque question, qui porte sur un attribut de la eur, la reponse est donc positive ou
negative. Si aucune erreur n'est commise dans ces reponses, l'identication est realisee.
E videmment, les premiers chapitres de la ore Bonnier sont consacres a des notions sur
l'anatomie des plantes. Un index, comportant des mots comme (( carpelle )), (( bractee )), est
egalement fourni. La diculte est pour le lecteur de prendre une decision sans erreur pour
chaque question posee. Le probleme est d'organiser l'ensemble des questions de maniere aussi
ecace que possible, c'est-a-dire d'eviter les questions inutiles et de veiller a ce que chaque
plante, en moyenne, puisse être identiee par le plus petit nombre possible de questions.
1. On parle ici de manuels concernant l'avifaune europeenne.
2. Nouvelle ore pour la determination facile des plantes, sans mots techniques, representant toutes les especes
vasculaires des environs de Paris dans un rayon de 100 Kilometres, des departements de l'Eure, de l'Eure et
Loire, etc..., Ouvrage couronne par l'academie des sciences et par l'academie d'agriculture de France. Par G.
Bonnier, membre de l'institut et professeur a la Sorbonne, et Georges de Layens, laureat de l'academie des
sciences. Quatorzieme edition, augmentee (...); Librairie generale de L'gnseignement, 1926.
Chapitre 11 Apprentissage par combinaison de decisions 335
11.1 Les arbres de decision
11.1.1 Principe
La technique des arbres de decision est fondee sur l'idee simple de realiser la classication
d'un objet par une suite de tests sur les attributs qui le decrivent. Ces tests sont organises de
telle facon que la reponse a l'un d'eux indique a quel prochain test auquel on doit soumettre cet
objet.
Ce type de classication est, comme on l'a vu, couramment employe en sciences naturelles
Dans ce cas, l'espace de representation est deni par l'observation des caracteristiques anato-
miques utiles de la plante (etamines, corolle, calicule, bractees, etc.) ainsi que de leur existence
conjointe, position relative, nombre, topologie, etc. Il faut conna^tre la signication et la mesure
d'une bonne centaine de tels termes (c'est la taille de l'espace de representation, le nombre d'
attributs) pour classer toute plante repertoriee, dont le nombre d'especes possibles est ici de
1500 a 2000 (c'est le nombre de classes).
Le principe de cette regle de decision est d'organiser l'ensemble des tests possibles comme un
arbre 3 . Une feuille de cet arbre designe une des C classes (mais a chaque classe peut correspondre
plusieurs feuilles) et a chaque nud est associe un test (un selecteur) portant sur un ou plusieurs
attributs, elements de l'espace de representation ; la reponse a ce test designera le ls du nud
vers lequel on doit aller. La classication s'eectue donc en partant de la racine pour poursuivre
recursivement le processus jusqu'a ce qu'on rencontre une feuille. Une telle structure est appelee
arbre de decision. La question qui nous interesse particulierement est de realiser l'apprentissage
de telles structures de decision a partir d'exemples. Prenons une illustration dans un tout autre
univers pour approcher ce probleme.
Un exemple
Supposons que j'aie a prendre la decision suivante : vais-je sortir le chien ou non? Pour cela,
j'observe les attributs suivants :
Quel temps fait-il? C'est un attribut nominal pouvant prendre les valeurs pluvieux, enso-
leille ou couvert.
Quelle est la temperature exterieure? Cet attribut est numerique.
Est-ce que le voisin est parti en week-end avec son chat? Cet attribut est binaire.
Mon experience m'a prouve que la presence du chat du voisin rend la promenade assez
penible ; mais je sais que cet animal deteste l'humidite. D'autre part, le retour d'un chien mouille
n'est pas tres plaisant pour mon tapis. Pour nir, ajoutons que je suis plutôt frileux. Moyennant
quoi, je peux par exemple organiser ma decision selon la hierarchie de la gure 11.1.
Cet arbre de decision se lit ainsi : j'observe d'abord le ciel. Si je remarque que le temps est
couvert je dois ensuite regarder le thermometre pour me decider. Si le temps est ensoleille, je
dois alors m'interesser a la presence de mon voisin. S'il pleut, ma decision est toute prise.
Quelques avantages
Si l'on conna^t un arbre de decision associe a un probleme de classication, on voit immediate-
ment les avantages de ce type de regle de classication :
Le nombre moyen de tests a eectuer sur une forme peut être extrêmement reduit (si les
d attributs sont tous binaires, ce nombre est limite par d).
La structure de decision est globale : on n'a pas de probleme pour traiter C classes.
Le test de tous les attributs de chaque objet a chaque nud n'est pas necessaire; dans la
plupart des cas pratiques, on se limite même a un seul test.
3. La botanique n'a plus rien a voir ici.
Quel temps fait-il ?
couvert ensoleille pluvieux
Temperature ? Est-ce le voisin est absent ? Je reste chez moi
superieure a 10 degres inferieure a 10 degres oui non
Je sors le chien Je reste chez moi Je sors le chien Je reste chez moi
Fig. 11.1 { Un arbre de decision pour la promenade du chien.
E videmment, ces avantages ne valent que s'il est possible de construire un arbre de decision
a partir d'un ensemble d'apprentissage en remplissant au mieux deux conditions : celle de la
proximite du risque empirique et du risque reel et celle de la simplicite de l'arbre obtenu, comme
indique au chapitre 3.
11.1.2 La construction recursive d'un arbre de decision
11.1.2.1 Introduction
Dans l'exemple botanique propose dans l'introduction, l'expertise joue un rôle tres impor-
tant : l'arbre de decision est construit a partir de connaissances sur la correspondance complexe
entre les caracteristiques observables d'une plante et la denition de son espece (fondee elle-
même sur la possibilite de reproduction, la distribution geographique, etc.). La structure de
cet arbre de decision est donc le resultat de l'experience des botanistes. Mais pour realiser la
construction automatique d'un arbre de decision, il faut s'appuyer seulement sur un ensemble
d'apprentissage et non pas sur une expertise. Comment sous cette hypothese apprendre un arbre
de decision performant en generalisation?
Notons d'abord qu'il est hors de question d'explorer exhaustivement l'ensemble des arbres
possibles pour determiner le plus performant au sens d'un critere inductif comme l'ERM (cha-
pitre 2) ou le principe de compression maximale (chapitre 17). En eet, le nombre d'arbres
possibles est gigantesque, croissant exponentiellement avec le nombre d d'attributs et le nombre
moyen a de valeurs possibles par attributs. Un calcul simple montre en eet que ce nombre est
de :
X
d;1
(d ; i)ai
i=0
ce qui pour seulement quatre attributs a trois valeurs chacun donne deja cinq cent vingt-six
arbres possibles. Il faut donc un moyen (( intelligent )) d'explorer l'espace des hypotheses.
L'apprentissage des arbres de decision procede par une exploration du general au particulier
en commencant par un arbre a un nud racine correspondant a une partition simple de l'espace
X des exemples, puis en ranant progressivement cette partition par ajout successif de nuds
dans l'arbre, ce qui revient a subdiviser iterativement les partitions de l'espace des exemples.
L'approche, appelee induction descendante d'arbres de decision (top-down induction of de-
cision tree), procede de maniere descendante, en partant de l'echantillon des donnees d'appren-
tissage toutes classes confondues. Tant que l'echantillon courant de donnees n'est pas (( pur ))
(tous les exemples de la même classe) ou qu'il reste au moins un attribut a tester, un attribut
est selectionne, selon un critere decrit plus bas, pour servir de test premettant de subdiviser
l'echantillon d'apprentissage courant en sous-echantillons distincts. A l'arrêt, on obtient donc
un arbre de tests (nuds) dont les feuilles correspondent a des echantillons d'exemples aussi
(( purs )) que possible, c'est-a-dire idealement appartenant a la même classe. Ce n'est pas en
general possible, mais on garde l'idee de ramier l'arbre autant qu'il le faudra pour arriver a
une conguration ou chaque feuille represente des donnees appartenant toutes a la même classe.
Cette technique, basee sur le principe ERM , produit un arbre dont chaque feuille ne couvre plus
qu'un faible nombre de donnees pures. Parce qu'il est trop dependant des donnees d'apprentis-
sage, on sait qu'il donnera vraisemblablement une mauvaise generalisation. C'est pourquoi on
essaie de contrebalancer ce (( surapprentissage )) par un mecanisme limitant la complexite de
l'arbre (donc du modele) appris. On retrouve la le probleme de la selection de modeles (voir
chapitres 2 et 3).
Si l'on a assez de donnees d'apprentissage, la facon la plus ecace est de proceder en deux
passes : d'abord utiliser une partie A de l'ensemble d'apprentissage pour construire un arbre
Tmax dont toutes les feuilles sont aussi pures que possible ; ensuite elaguer (simplier) cet arbre
avec une autre partie V des donnees (un ensemble de validation comme deni au chapitre 3). Le
reste des donnees, sous forme d'ensemble de test T , sert enn a evaluer le risque reel de l'arbre
construit. Si les donnees sont peu nombreuses, une technique un peu plus complexe de validation
croisee est necessaire.
Au cours de la construction de Tmax , le test mis en place a chaque nud est base sur le
seul examen de la meilleure facon de separer en classes le sous-ensemble considere des points
d'apprentissage qu'il regit. Le paragraphe suivant presente comment fabriquer de tels criteres.
On montrera ensuite comment elaguer Tmax .
Pour simplier l'expose, nous commencons par le cas d'attributs binaires, mais tout ce qui
suit est immediatement generalisable au cas d'attributs multivalues.
11.1.2.2 Le cas des attributs binaires
Position du probleme
On dispose d'un ensemble d'apprentissage S de m exemples dont l'un est note (x; !). 4 Cet
exemple est decrit par d attributs fxi ; i = 1; dg et par une classe ! 2 C = f!1 ; :::; !C g. On
cherche d'abord, en applicant le principe ERM , a construire un arbre de classication dont
l'erreur apparente est nulle. On suppose pour l'instant que les attributs sont a valeur binaire,
avant de considerer plus loin le cas ou ils sont nominaux ou continus 5 .
L'algorithme de construction, decrit informellement ci-dessus, s'ecrit recursivement :
Par consequent, quand l'arbre est partiellement construit, a chaque nud correspond un
sous-ensemble des exemples d'apprentissage : ceux qui satisfont tous les tests binaires menant a
ce nud. Si ce sous-ensemble n'est pas constitue de points appartenant tous a la même classe,
la construction doit se poursuivre. Il faut alors choisir le meilleur attribut a tester.
L'appel de cette procedure recursive se fait sur l'ensemble d'apprentissage S . Il est a noter
que dans certains cas, le test d'arrêt ne peut pas être satisfait : il peut exister plusieurs exemples
ayant les mêmes attributs et des classes dierentes 6 . Dans ce cas, la classe est attribuee par un
4. On n'a pas besoin ici d'indicer les exemples dans l'ensemble d'apprentissage.
5. Les attributs a domaine arborescent ou sequentiels ne sont pas traites simplement par les arbres de decision.
6. Soit parce qu'il n'y a pas assez d'attributs pour les decrire et les discriminer, soit parce qu'il des erreurs de
description ou d'etiquetage des exemples.
Algorithme 11.1 Construction recursive d'un arbre de decision
Procedure : Construire-arbre(X )
si Tous les points de X appartiennent a la même classe alors
Creer une feuille portant le nom de cette classe
sinon
Choisir le meilleur attribut pour creer un nud
Le test associe a ce nud separe X en deux parties notees Xg et Xd
Construire-arbre(Xg)
Construire-arbre(Xd)
n si
((vote )) des donnees concernees ou par un tirage au sort pondere par l'importance relative des
classes a cette feuille.
Une interpretation probabiliste
Placons-nous au cours de cette construction a un nud auquel sont attaches P n points de
l'echantillon d'apprentissage, repartis en C classes !j comportant chacune nj points ( j =1;C nj =
n).
Considerons un attribut binaire a, dont l'indice n'a pas besoin d'être precise. Il partage
chaque sous-ensemble nj en deux parties, comportant respectivement lj et rj points pour test
sur a = V RAI et test sur a = FAUX .
Notons :
X
C X
C
l= lj et r = rj avec : r + l = n (11.1)
j =1 j =1
On peut considerer que les n points d'apprentissage sont des tirages aleatoires selon deux
distributions discretes possibles: celle des C valeurs que prend la valeur ! de la classe et celle
des deux valeurs de a. On en deduit que :
lj =n et rj =n sont des estimations des probabilites P (a = V RAI; ! = !j ) et P (a =
FAUX; ! = !j ).
l=n et r=n sont des estimations de P (a = V RAI ) et de P (a = FAUX ).
nj =n est une estimation de P (! = !j ).
Une mesure pour choisir l'attribut
La theorie de l'information nous fournit une mesure naturelle de l'homogeneite entre deux
distributions de probabilites a valeurs discretes : l'information mutuelle, ou entropie croisee
([Cov91]). En notant ! la premiere variable et a la seconde, D! et Da les ensembles nis des
valeurs qu'elles peuvent prendre, l'entropie croisee de ! et de a est donnee par la formule 7:
X
I (!; a) = ; p(u; v)log pp(u(u;)pv(v)) (11.2)
u;v2D! Da
7. Dans tout ce chapitre, la base des logarithmes est prise a deux : log(a) doit se lire comme log2 (a).
I (!; a) presente un minimum a 0 quand, sur tout le domaine D! Da , on a : p(u; v) = p(u)p(v),
c'est-a-dire quand les deux distributions sont independantes 8 ; elle est en revanche maximale
quand les distributions sont completement correlees.
La variable aleatoire ! possede une entropie H (!) qui se denit par :
X
H (!) = ; p(u)log(p(u)
u2D!
De même, on peut denir l'entropie de ! conditionnee par a comme :
X
H (!ja) = ; p(u; v)log(p(ujv))
u;v2D! Da
Un resultat classique de theorie de l'information ([Cov91]) nous arme alors que :

I (!; a) = H (!) ; H (!ja)
Dans le cas que nous traitons ici, la variable a est un attribut binaire, donc Da = fV RAI; FAUX g
et ! represente la distribution des donnees sur les C classes.
Compte tenu de ce qui a ete dit plus haut, les valeurs H (!), H (!ja) et I (!; a) peuvent donc
s'estimer par :
X C
Ib(!; a) = ; lj log lj =n rj rj =n
(l=n) (nj =n) + n log (r=n) (nj =n)
j =1 n
X C
Ib(!) = ; lj log lj n n
j =1
X
C l
l j lj + r rj log rj
Hb (! j a) = ; log
j =1 n l l nr r
Et on peut verier que :
Ib(!; a) = Ib(!) ; Hb (! j a)
Pour faciliter les calculs, on note :
X
C l lj X
C r rj
J (a = V RAI ) = j
l log l et J (a = FAUX ) = j
r log r
j =1 j =1
et donc :
Hb (! j a) = nl J (x = V RAI ) + nr J (a = FAUX ) (11.3)
Pour construire un nud dans l'arbre, une idee naturelle et interpretable en terme de theorie
de l'information est donc de chercher parmi les d attributs celui qui possede la plus grande
correlation avec la repartition en classes, autrement dit celui qui a la meilleure entropie croisee
avec la distribution des points d'apprentissage sur les classes.
8. 0 log 0 est pris egal a 0.
Par consequent, chercher parmi tous les attributs celui qui possede l'information mutuelle la
plus grande avec la distribution en classes des n points d'apprentissage revient a trouver celui
qui minimise la quantite Hb (! j a), ou, si l'on prefere, a rechercher l'attribut d'indice i? 2 f1; dg
tel que :
i? = ArgMin Hb (! j ai ) (11.4)
i=1;d
D'autres mesures pour choisir l'attribut
L'entropie croisee n'est pas le seul critere a pouvoir être utilise : on l'a en eet interpretee
comme une mesure de distance entre deux distributions de probabilites. Pourquoi ne pas em-
ployer d'autres telles distances, en quittant le strict cadre de la theorie de l'information? Par
exemple, la metrique de Gini ([Gin38]) est tres employee en pratique. Son estimation se calcule
comme suit, dans les mêmes notations que precedemment :
XC
Gini(! j a) = 1 (l2 ; (ll )2 + 1 (r2 ; (rr )2 )
l j j r j j (11.5)
i=1
Il existe encore d'autres distances possibles entre distributions de probabilites pouvant servir
a construire un arbre de decision : citons en particulier le critere du 2 et celui de Lerman([Ler81])
. Le premier s'estime par la formule :
XC ; (lnj =n) )2 + ( rj p; (rnj =n) )2
2 (c j a) = ( lj p (11.6)
i=1 lnj =n rnj =n
et le second par :
L(! j a) = sp; esp(s )

(11.7)
var(s )
Avec :
X
C
1
s= (lj (lj ; 1) + rj (rj ; 1))
j =1 2
esp(s) =
var(s ) = + + ; 2 2
avec :
= l(l ;p1) + r(r ; 1)
2n(n ; 1)
PC n (n ; 1)
= p j =1 j j
2n(n ; 1)
= l(l ; 1)(pl ; 2) + r(r ; 1)(r ; 2)
PC n (nn(n;;1)(1)(nn ;; 2)2)
= jp =1 j j j
2n(n ; 1)(n ; 2)
= (l(l ; 1) + r(r ; 1))
pn(;n2(;l1)(
(l ; 1)(2l ; 3) + r(r ; 1)(2r ; 3))
2
n ; 2)(n ; 3)
P C P C
( j =1 nj (nj ; 1)) ; 2 j =1 nj (nj ; 1)(2nj ; 3)
2
= pn(n ; 1)(n ; 2)(n ; 3)
11.1.2.3 Un exemple
Dans l'exemple qui suit, le probleme d'apprentissage consiste a trouver une regle de decision
binaire a partir de huit exemples sur quatre parametres binaires. Le probleme qui se pose a un en-
fant qui revient de l'ecole est le suivant : peut-il aller jouer chez son voisin ou pas ? L'experience,
qu'il a acquise par punition recompense sur les huit jours d'ecole precedents, est resumee dans
le tableau n des huit exemples d'apprentissage suivants :
mes Devoirs Maman est-elle Est-ce qu'il Mon Goûter DE CISION
sont-ils Finis? de Bonne Humeur? Fait Beau? est-il Pris?
1 VRAI FAUX VRAI FAUX OUI
2 FAUX VRAI FAUX VRAI OUI
3 VRAI VRAI VRAI FAUX OUI

4 VRAI FAUX VRAI VRAI OUI
5 FAUX VRAI VRAI VRAI NON
6 FAUX VRAI FAUX FAUX NON
7 VRAI FAUX FAUX VRAI NON
8 VRAI VRAI FAUX FAUX NON
Pour construire la racine de l'arbre de decision, il faut d'abord trouver l'attribut dont la distri-
bution possede l'entropie mutuelle la plus faible avec celle de la decision.
Notons, pour simplier, H (!jDF ) pour H (!jMes Devoirs sont-ils Finis?) et de la même
maniere : H (!jDF ), H (!jBH ), H (!jFB ), H (!jGP ).
On a :
H (!jDF ) = 85 J (DF = V RAI ) + 38 J (DF = FAUX )
avec
J (DF = V RAI ) = ; 53 log( 35 ) ; 25 log( 25 )
et
J (DF = FAUX ) = ; 31 log( 31 ) ; 23 log( 23 )
Soit :
H (!jDF ) 0:93
On trouve par un calcul analogue :
H (!jFB ) 0:80
H (!jBH ) 0:93
H (!jGP ) = 1:
On choisit donc pour racine de l'arbre le test Est-ce qu'il Fait Beau? qui minimise l'entropie
croisee avec la distribution en classes.
Sous la branche gauche portant la valeur V RAI se trouve le tableau suivant des exemples
corrects pour ce test :
mes Devoirs Maman est-elle Mon Goûter DECISION

sont-ils Finis? de Bonne Humeur? est-il Pris?
1 VRAI FAUX FAUX OUI
3 VRAI VRAI FAUX OUI
4 VRAI FAUX VRAI OUI
5 FAUX VRAI VRAI NON
Sous la branche Droite, portant la valeur FAUX se trouve le tableau suivant :

mes Devoirs Maman est-elle Mon Goûter DECISION
sont-ils Finis? de Bonne Humeur? est-il Pris?
2 FAUX VRAI VRAI OUI

6 FAUX VRAI FAUX NON
7 VRAI FAUX VRAI NON
8 VRAI FAUX FAUX NON
La poursuite du procede conduit nalement a l'arbre de decision de la gure 11.2.
est-ce qu’il Fait Beau ?
VRAI FAUX
mes Devoirs sont-ils Termines ? mon Gouter est-il Pris ?
VRAI FAUX VRAI FAUX
VRAI FAUX Maman est-elle de bonne humeur ? FAUX
VRAI FAUX
VRAI FAUX
Fig. 11.2 { L'arbre de decision construit sur les huit exemples precedents.
11.1.2.4 Le cas des attributs non binaires

On a traite ci-dessus le cas des attributs binaires. Mais il est possible de calculer de la même
maniere une entropie croisee avec la distribution en classes pour les autres types d'attributs.
Le cas binaire
Pour memoire, le test consiste ici a descendre dans un sous arbre si le test sur l'attribut
choisi vaut V RAI , dans l'autre s'il vaut FAUX .
Le cas nominal
Le cas ou les attributs sont a valeurs discretes se generalise facilement quand le test que
l'on construit se reduit a opposer une valeur a toutes les autres : on est alors ramene au
cas binaire. Par exemple, s'il existe un attribut couleur prenant ses valeurs dans l'ensemble
fbleu; rouge; vert; jauneg, il est simple de l'eclater en quatre attributs binaires, du type couleur
- rouge, qui est V RAI ou FAUX sur chaque donn ee d'apprentissage. On se replace alors dans
le cas expose ci-dessus, avec la transformation d'un attribut nominal a k valeurs possibles en k
attributs binaires que l'on traite independemment.
Cette technique a l'inconvenient d'oublier la signication globale de l'attribut ; en eet, si
couleur-rouge est V RAI pour un attribut, couleur-bleu est automatiquement FAUX ; mais
cette propriete n'appara^t plus explicitement dans les donnees. Une autre solution est alors de
calculer directement l'information mutuelle entre les deux variables a valeurs discretes que sont
d'une part cet attribut et d'autre part l'ensemble des classes. Si celle-ci se revele la meilleure pour
tous les attributs, on cree alors un nud non binaire dans l'arbre de decision (dans l'exemple
precedent, le test de l'attribut (( couleur )) donne quatre reponses possibles). Le seul inconvenient
est qu'il faut gerer une structure de donnees plus complexe.

Le cas continu
Traiter un attribut continu peut para^tre plus dicile, mais en pratique ce n'est pas fon-
damentalement dierent : puisque le nombre de donnees d'apprentissage est ni, le nombre des
valeurs que prend cet attribut sur les exemples est aussi ni. Mieux, ses valeurs sont ordonnees,
contrairement au cas nominal. Le selecteur consistera donc a comparer les valeurs a un seuil
pour construire un nud binaire.
Pour un attribut a continu, on procede alors ainsi : on trie les points d'apprentissage selon
la valeur de cet attribut, puis on cherche le seuil s(a) qui minimise l'un des criteres precedents 9 .
Il est a noter que l'arbre de decision est le seul modele permettant de gerer de maniere
homogene les attributs de nature varies, en particulier les melanges continus et binaires.
L'utilisation simultanee de plusieurs attributs continus
Dans le cas ou un attribut est continu, chaque test sur cet attribut n'est autre que la com-
paraison a un seuil ; si tous les attributs sont continus, on obtient donc nalement dans IRd des
surfaces de separation entre les regions attribuees aux classes qui sont composees d'hyperplans
orthogonaux aux axes. Il est tentant de relâcher cette contrainte, pour eviter de construire des
arbres complexes sur des situations simples, comme sur la gure 11.10. On peut alors chercher
des separatrices lineaires non paralleles aux axes en utilisant des tests sur des combinaisons
lineaires d'attributs a chaque nud, et non sur un seul attribut. On realise alors un arbre de
decision oblique.
Cependant, la methode proposee pour un attribut continu ne peut pas se generaliser pour la
combinaison d'attributs continus : l'espace de recherche est cette fois inni, puisque l'on cherche
a chaque nud des valeurs (en nombre d+1) non contraintes comme precedemment par une rela-
tion d'ordre. On emploie alors des techniques d'optimisation, comparables a celles du chapitre 9.
Les methodes presentees dans [MKS94] et [BU92] sont des exemples ecaces ; on y reviendra
sur un exemple au paragraphe 11.1.4.
11.1.3 Comment elaguer un arbre trop precis
11.1.3.1 Pourquoi elaguer?
On a vu que la poursuite de l'algorithme de construction jusqu'a son terme naturel fabrique
un arbre Tmax dont les feuilles sont pures, c'est-a-dire correspondent a des exemples de la même
classe ; il y a la clairement un risque de mesestimation de la probabilite d'erreur par le taux
9. Ceci necessite, pour les n donnees, l'examen de n ; 1 seuils : par exemple les valeurs medianes entre deux points
d'apprentissage dans leur liste triee.
d'erreur apparent, qui vaut ici exactement 0. On se trouve donc dans le cas expose au chapitre 2 :
le nombre de nuds de l'arbre de decision est un critere de complexite simple et ecace pour
lequel les courbes presentees a la gure 3.13 dans le chapitre 3sont caracteristiques. Chercher la
valeur (( optimale )) k0 du nombre de nuds revient donc a trouver une technique pour contrôler
la taille de l'arbre. Il s'agit donc d'une methode de regularisation ou de selection de modele (voir
chapitre 2).
11.1.3.2 Une premiere solution : le preelagage
Une solution simple consiste a cesser de diviser un nud quand la purete des points qu'il
domine est non pas parfaite, mais susante. Une fois selectionne le meilleur attribut, on regarde
si la valeur du critere de la division est inferieure a un certain seuil ; en pratique, ceci revient a
admettre que, s'il existe une classe susamment majoritaire sous un nud, on peut considerer ce
dernier comme une feuille et lui attribuer la classe en question. Selon le critere de division utilise,
diverses heuristiques ont ete proposees pour regler le seuil precedent. Sa valeur peut d'ailleurs
être variable selon le nud ou l'on se trouve, dependant de l'estimation de la probabilite a priori
des classes, de l'estimation empirique de la diculte a les separer, etc.
Ces methodes presentent certains inconvenients, dont le principal est qu'elles sont myopes
(puisqu'elles ne prennent en compte qu'un critere local a la feuille examinee), et peuvent de ce
fait manquer un developpement de l'arbre qui serait excellent. C'est pourquoi on leur prefere
souvent des methodes d'elagage a posteriori, une fois que l'arbre a ete entierement developpe.
11.1.3.3 Le post-elagage par un ensemble independant de validation
Une autre technique, plus valide theoriquement et plus ecace en pratique, consiste a d'abord
construire l'arbre de decision completement, puis seulement apres a chercher a le simplier en
l'elaguant progressivement en remontant des feuilles vers la racine. Pour juger quand il est bon
d'arêter d'elaguer l'arbre, on utilise un critere de qualite qui exprime souvent un compromis
entre l'erreur commise par l'arbre et une mesure de sa complexite.
L'erreur commise est mesuree grâce a un ensemble de validation (voir chapitre 3). On sup-
posera donc dans ce paragraphe que l'ensemble d'apprentissage est assez important pour être
coupe en deux parties : l'une (ensemble d'apprentissage proprement dit) pour construire l'arbre
de decision Tmax , l'autre (ensemble de validation) pour choisir le meilleur parmi les elagages
proposes.
L'algorithme optimal consisterait a calculer le taux d'erreur de l'ensemble de validation sur
tous les arbres qu'il est possible d'obtenir par elagage de Tmax . Mais leur nombre cro^t tres
rapidement avec la taille de Tmax , mesuree en nombre de nuds 10. On utilise donc des solutions
sous-optimales, dont la plus classique (un algorithme glouton) consiste a construire sans retour
en arriere une sequence d'arbres par elagages successifs, en remontant des feuilles vers la racine.
Cette sequence se note S = (Tmax ; T1 ; :::; Tk ; :::Tn ). Tn est l'arbre constitue d'une seule feuille
comprenant les m points d'apprentissage. C'est donc l'arbre elague au maximum. Pour passer
de Tk a Tk+1 , il faut transformer un nud dans Tk en feuille. Pour savoir si cet elagage serait
beneque, l'idee generale est de comparer le (( coût )) de l'arbre elague et celui de l'arbre non
elague, et d'arrêter l'elagage quand le coût du premier depasse le coût du second. Pour evaluer ce
coût, plusieurs criteres ont ete proposes qui prennent tous en compte a la fois l'erreur commise
par l'arbre et une mesure de sa complexite (voir en particulier les articles de synthese [BA97,
EMS97, Min89]).
10. Ou en nombre de feuilles, car un arbre binaire T ayant j T j nuds (feuilles comprises) possede exactement
(j T j ;1)=2 feuilles.
Nous examinons ici le critere consistant a choisir le nud qui minimise sur l'ensemble des
nuds de Tk la valeur suivante :
$(Tk ; ) = MCne(lak)(:;(ntk)(;;kMC (; k)
) ; 1) (11.8)
ou :
MCela (; k) est le nombre d'exemples de l'ensemble d'apprentissage mal classes par le
nud de Tk dans l'arbre elague a .
MC (; k) est le nombre d'exemples de l'ensemble d'apprentissage mal classes sous le nud
dans l'arbre non elague
n(k) est le nombre de feuilles de Tk
nt(; k) est le nombre de feuilles du sous-arbre de Tk situe sous le nud .
Ce critere permet donc d'elaguer un nud de Tk de facon a ce que Tk+1 , l'arbre obtenu,
possede le meilleur compromis entre taille et taux d'erreur apparent.
Finalement, la suite S = (Tmax ; T1 ; :::; Tk ; :::Tn ) possede un element Tk0 pour lequel le nombre
d'erreurs commises est minimal sur l'ensemble de validation : c'est cet arbre-la qui sera nalement
retenu par la procedure d'elagage.
Algorithme 11.2 Elagage d'un arbre de decision
Procedure : elaguer(Tmax)
k 0
Tk Tmax
tant que Tk a plus d'un nud faire
pour chaque nud de Tk faire
calculer le critere $(Tk ; ) sur l'ensemble d'apprentissage
n pour
choisir le nud m pour lequel le critere est maximum
Tk+1 se deduit de Tk en y remplacant m par une feuille
k k+1
n tant que
Dans l'ensemble des arbres fTmax ; T1 ; :::; Tk ; :::Tn g, choisir celui qui a la plus petite erreur de
classication sur l'ensemble de validation.
11.1.3.4 Un exemple d'elagage

Les gures 11.3 et 11.4 representent un petit ensemble d'exemples a deux classes et deux
attributs numeriques, ainsi que l'arbre de decision Tmax appris par l'algorithme donne ci-dessus.
En appellant 1 le nud racine de Tmax , 2 et 3 ses ls gauche et droit et 4 son dernier
nud interieur (le ls gauche de 2 ), on peut calculer les valeurs :
; k) ; MC (1; k) = 9 ; 0 = 9=20
$(Tmax ; 1) = MCne(lak():(1nt (1 ; k) ; 1) 5:(5 ; 1)
$(Tmax ; 2 ) = 5:(3 1 ; 0 = 1=10
; 1)
x2
O O
O
* *
* * O
* O
c
O
d O O
* O
* O
b
* *
*
a x1
Fig. 11.3 { L'arbre de decision geometrique.
x1 > a ?
FAUX VRAI
x2 > c ? x2 > b ?
FAUX VRAI FAUX VRAI
x2 > d ? * * O
FAUX VRAI
* O
Fig. 11.4 { L'arbre de decision logique Tmax .
1 ; 0 = 1=5
$(Tmax ; 3 ) = 5:(2 ; 1)
1 ; 0 = 1=5
$(Tmax ; 4 ) = 5:(2 ; 1)
Par consequent, l'arbre T1 sera le resultat de l'elagage de Tmax au nud 2 , soit celui de la gure
11.5.
En travaillant desormais sur T1 , on trouve les valeurs :
$(T1 ; 1 ) = 3:9(3;;11) = 4=3
$(T1 ; 3 ) = 3:2(3;;01) = 2=3

L'arbre T2 choisi resultera de l'elagage de 3 dans T1 ; il aura donc pour seul nud la racine
de Tmax , avec une feuille pour chaque classe.
Puisque l'on suppose disposer d'un ensemble de validation, c'est en testant ce dernier sur les
arbres Tmax , T1 et T2 que l'on vient de calculer 11 que l'on choisira celui qui possede la meilleure
estimation de taux d'erreur de classication. La procedure d'elagage est alors terminee.
x1 > a ?
VRAI FAUX
x2 > b ? *
FAUX VRAI
* O
Fig. 11.5 { Un arbre de decision logique apres un premier elagage : T1 .
11.1.4 Un exemple : les iris de Fisher

Les gures 11.6, 11.7, 11.8 et 11.9 illustrent les dierents points presentes. Elles ont ete
creees a partir du logiciel OC1 ([MKS94]). Les donnees presentees sont celles des iris de Fi-
sher 12 . Le probleme est de classer les iris en trois classes connaissant un certain nombre de leurs
caracteristiques.
Les attributs presentes ici sont la longueur et la largeur des sepales de trois classes dierentes
d'Iris, sur cent cinquante exemples. Les trois classes sont referencees dans l'ensemble f1; 2; 3g.
Les donnees ont ete partagees aleatoirement en deux parties, l'une d'apprentissage pour
la construction et l'elagage de Tmax , l'autre de test pour l'estimation de taux d'erreur de la
classication ainsi obtenue. Il y a cent exemples d'apprentissage et cinquante de test.
La convention graphique de representation d'un arbre de classication dans un espace a
deux dimensions est la suivante : la droite notee Root est le premier test ; par exemple, dans
11. Plus l'arbre note plus haut TN , compose d'une seule feuille et qui ne represente que la probabilite a priori des
classes dans l'ensemble d'apprentissage
12. Disponibles sur le site de l'universite de Californie a Irvine (UCI) :
http://www.ics.uci.edu/
la gure 11.6, elle represente un test sur la premiere coordonnee et est donc parallele a l'axe
vertical. Les droites notees r et l representent les tests faits juste ensuite ; les suivants sont notes
rl et rr, lr et ll, et ainsi de suite. La notation r signie donc (( ls droit )), l (( ls gauche )).
../data/iris2OC1.app-../data/tree2
1
1 3
rrlrr
1
rrrrl
rrrr
1 1 3
1 1 rl
1 1 1 1 3 3
rrlrrl
1 1 2
3 3
rrlr
1 1 1 2
3 3 2
rrr
1 2 3
rllrr
rllrl
rrlrlrll
Root
rllr
rrlrlrl
rrlrlr
lr rrlrlrllr rrlrlrr
rr
r
1 1 1 1 2 2 2 3 3 3 2 2
3 3 3 3 3 3
rllrrr
rrlrlrrl
lrl
1 rllrll 2 2 2 3 2
rrlrl
l 3 2 3 2 3 3 3 2 3
rrlrllr
2 3 2 3 3
rll
2 2 rrlrll 3
3 2 2 2 2 3
rrlrlll
llrl
2 2 rrl
ll
llr
1 2 2 2
2 2
Fig. 11.6 { Les cent donnees d'apprentissage sur l'arbre non elague.
On voit dans la gure 11.6 un arbre Tmax represente avec les cent donnees d'apprentissage
qui ont servi a le construire. On peut s'attendre a ce qu il separe parfaitement les trois classes ;
en realite, a cause des points de classes dierentes et de mêmes coordonnees, quelques choix
arbitraires sont faits. Le taux d'erreur apparent n'est donc pas nul, mais vaut 2 %. Le nombre
de tests maximal est de dix (il correspond au segment de droite note rrlrlrllr.
On a represente ensuite les donnees de test sur Tmax : elles produisent une estimation de
l'erreur de classication valant 32 %.
La version standard de OC1 avec elagage met de côte un dixieme des donnees d'appren-
tissage comme ensemble de validation. La gure 11.8 represente les quatre-vingt-dix donnees
d'apprentissage restantes separees par l'arbre elague grâce a ces dix donnees (a partir de l'arbre
Tmax construit sur ces mêmes quatre-vingt-dix donnees) 13 . Le taux d'erreur apparent est monte
a 25 %. L'arbre elague est de profondeur 2. Il est constitue de deux selecteurs sur la même
coordonnee.
13. Cet arbre Tmax est dierent du precedent, puisqu'il est construit sur quatre-vingt-dix donnees tirees aleatoirement
et non pas cent.
../data/iris2OC1.tst-../data/tree2
1
rrlrr
rrrrl
rrrr
1 3
1 1
1 1 1 rl
1 1 1 2
rrlrrl
Root
rr
r
rrlr
1 2 3 3 3
rrr
1 1 1 3 3 2
rllrr
rllrl
rrlrlrll
rllr
rrlrlrl
rrlrlr
lr rrlrlrllr rrlrlrr
1 2 2
3 2 3
rllrrr
rrlrlrrl
lrl
rllrll
2 2 2 3
rrlrl
l 2 2 3 2 3
rrlrllr
2 2
3
rll
2 3 rrlrll
3 3
rrlrlll
ll
llr
llrl
rrl
Fig. 11.7 { Les cinquante donnees de test sur l'arbre non elague.
Pour nir, les cinquante donnees de test sont confrontees a l'arbre elague (Figure 11.9) ce
qui donne une estimation de l'erreur de classication de 26 %.
Bien que les deux dernieres estimations presentent un intervalle de conance large, elle
correspondent cependant a l'attente : le surapprentissage est bel et bien corrige par l'elagage.
Le logiciel OC1 permet egalement de construire des arbres de decision sur des donnees
numeriques par combinaison lineaire des attributs ; autrement dit, on obtient dans ce cas des
droites separatrices non paralleles aux axes.
La gure 11.10 montre comment un (( arbre oblique )) de profondeur maximale 2 permet de
separer les cinquante donnees de test. Il est construit sur quatre-vingt-dix donnees d'appren-
tissage et elague sur dix donnees de validation. L'estimation de l'erreur de classication est de
24 %.
11.1.5 Traduction des arbres de decision en logique des propositions
Dans l'optique du chapitre 3, on peut voir les arbres de decision comme la construction
imbriquee de selecteurs et de regles de generalisation en logique des propositions. Chaque branche
de l'arbre correspond a une conjonction de tests associes a une classe. L'ensemble des branches
peut donc être considere comme une disjonction exhaustive et exclusive de conjonctions (tous
les exemples possibles sont couverts chacun par une regle et une seule). Nous l'illustrons sur un
exemple.
../data/iris2OC1.app-../data/tree3
1
1 3
1 1 3
1 1
1 1 1 1 3 3
1 1 2
3 3
1 1 1 2
3 3 2
1 2 3
Root
r
1 1 1 1 2 2 2 3 3 3 2 2
3 3 3 3 3 3
1 2 2 2 3 2
3 2 3 2 3 3 3 2 3
2 3 2 3 3
2 2 3
3 2 2 2 2 3
2 2
1 2 2 2
2 2
Fig. 11.8 { Les quatre-vingt-dix donnees d'apprentissage restantes sur l'arbre elague par dix
donnees.
Supposons les donnees d'apprentissage decrites par trois variables : la premiere a valeur
continue : fievre, la seconde nominale : qualite, pouvant prendre une des trois valeurs homme,
femme, enfant et la troisi eme binaire : reaction positive ou negative au test T. La clas-
sication a eectuer porte sur le diagnostic d'un certain syndrome S. Supposons que l'algorithme
de construction ait calcule l'arbre suivant a partir des donnees d'apprentissage :
Si qualite = enfant
Alors S = FAUX
Sinon : Si reaction negative a T
Alors S = FAUX
Sinon Si qualite = femme
Alors S = VRAI
Sinon Si fievre 39
Alors S = VRAI
Sinon S = FAUX
Le concept appris, represente maintenant en logique des propositions, peut se decrire ainsi :
l'algorithme d'apprentissage a cree trois selecteurs pour denir sa nouvelle representation des
../data/iris2OC1.tst-../data/tree3
1
1 3
1 1
1 1 1
1 1 1 2
Root
r
1 2 3 3 3
1 1 1 3 3 2
1 2 2
3 2 3
2 2 2 3
2 2 3 2 3
2 2
3
2 3
3 3
Fig. 11.9 { Les cinquante donnees de test restantes sur l'arbre elague.
connaissances :
Un seuil a 39 , qui permet de binariser l'utilisation de la variable continue fievre (re-
marquons qu'en general, plusieurs seuils peuvent appara^tre dans les variables continues).
Notons a1 le fait qu'un patient ait une evre superieure a 39 , a1 le contraire.
La transformation de la variable nominale qualite en trois variables binaires enfant,
homme, femme, que nous notons a2 , a3 et a4 . Il est a remarquer que desormais, le fait que
deux d'entre elles ne puissent pas être vraies a la fois appara^tra implicitement.
La variable binaire reaction au test T, qui reste binaire : notons-la a5 .
Finalement, l'apprentissage realise par la construction de l'arbre de decision ci-dessus peut se
traduire dans la nouvelle representation des connaissances par la decouverte du concept :
(a2 ^ a5 ^ a3 ) _ (a2 ^ a5 ^ a3 a1 )
D'une maniere generale, un arbre de decision est une representation de l'apprentissage d'un
concept sous la forme d'une disjonction de conjonctions.
../data/iris2OC1.tst-../data/treeobl
1
1 3
1 1
1 1 1
1 1 1 2
ot
Ro
1 2 3 3 3
1 1 1 3 3 2
1 2 2
3 2 3
2 2 2 3
l
2 2 3 2 3
2 2
3
2 3
3 3
Fig. 11.10 { Les 50 donnees de test restantes sur l'arbre oblique elague.
11.2 Les arbres de regression

11.2.1 Le principe
Nous avons vu, par exemple sur la gure 11.3, que les arbres de classication decoupent l'es-
pace des entrees IRd = fx1 ; : : : xi ; : : : ; xd g en regions dont les côtes sont des hyperplans perpen-
diculaires aux axes. A l'interieur de chacune de ces regions, la valeur predite est constante : c'est
une des classes !j , pour i = 1; C . Les arbres de regression utilisent le même mecanisme, a ceci pres
que les valeurs a predire sont continues : apres apprentissage sur un ensemble S = fx1 ; : : : ; xm g,
on saura associer a chaque objet x 2 IRd une valeur reelle de sortie y. Les arbres de regression
prevoient une valeur numerique ck constante pour chaque region construite apres l'apprentissage
et l'elagage. En supposant que le modele induit contienne M regions R1 ; : : : ; RM et en notant
I (Rk ) la fonction caracteristique de la region Rk , qui vaut 1 pour les points appartenant a Rk
et 0 ailleurs, la fonction de sortie y associee a ce modele est donc :
X
M
y= ck I (Rk )
k=1
Nous considerons seulement le mecanisme le plus utilise, celui de la regression quadratique.
Il construit l'arbre en tentant de minimiser le carre de la dierence entre les valeurs observees
et valeurs prevues. Pour les m exemples d'apprentissage, il faut donc idealement minimiser, en
notant la distance euclidienne:
Xm
2 (ui ; yi )
i=1
En considerant maintenant une optimisation region par region, cette expression est minimale
pour la region Rn contenant n entrees lorsqu'elle est egale a la moyenne g des valeurs des points
d'apprentissage qu'elle contient (voir une demonstration par exemple au chapitre 14).
11.2.2 La construction
L'algorithme utilise pour construire un arbre de regression est glouton, comme celui de la
construction d'un arbre de decision. L'attribut choisi a l'etape courante est celui qui peut se
discretiser par un decoupage en deux minimisant le critere de la somme des ecarts a la moyenne
dans chaque partie du decoupage. Ainsi, pour chaque attribut xk et pour chaque valeur de
decoupage djk de cet attribut, on denit deux regions separees par cette valeur et on obtient
deux valeurs du critere que nous notons Cjk G et C D .
jk
On choisit au total d'utiliser la variable xk et le decoupage djk qui minimisent la somme des
deux valeurs ci-dessus.
11.2.3 Un exemple
Voyons une etape de la construction d'un arbre de regression a deux dimensions. Les donnees
d'apprentissage sont au nombre de seize et le decoupage courant est celui donne a la gure 11.11.
11 x2
10 3
R3
9
8 R2
3
s4 2
7
3
s1 2
6
3
2 s3
5 3
4 2 s2 2s5
3 3 3 s6
2
2 R1 3
1 3 3 x1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Fig. 11.11 { Une etape de la construction d'un arbre de regression.
Continuons la construction par la separation en deux de la region R3 . Les valeurs de seuil

possibles pour x1 sont celles qui passent au milieu de deux points de R3 , c'est-a-dire lea quatre
valeurs 9:5, 10:5, 11:5 et 12:5. La troisieme correspond a la droite verticale qui a ete tracee en
pointilles.
Quelle est la valeur du critere pour cette hypothese? Elles separe les points de R3 en deux
groupes : fs1 ; s2 ; s3 ; s4 g et fs5 ; s6 g. Le centre de gravite (la moyenne) g1 du premier groupe
est aux coordonnees (10; 5:75) et son homologue g2 pour le second groupe est aux coordonnees
(12:5; 3:5). Le critere vaut donc :
X X
C31G + C31D = 2 (si ; g1 ) + 2 (si ; g2 ) ' 11:85
i2f1;2;3;4g i2f5;6g
Il faut aussi s'interesser a x2 . Quatre valeurs de seuil sont possibles pour cet attribut : 3:5,
5, 6:5, 7:5. La droite correspondant a la seconde valeur 5 a ete tracee en pointilles. Elle separe
les points de R3 en deux groupes : fs4 ; s1 ; s3 g et fs2 ; s5 ; s6 g. Le centre de gravite h1 du premier
est aux coordonnees (10; 7) et h2 est aux coordonnees (11:3; 3:7) (ces deux points sont indiques
sur la gure par le symbole ). Le critere vaut ici :
X X
C22G + C22D = 2 (si ; h1 ) + 2 (si ; h2 ) ' 9
i2f4;1;3g i2f2;5;6g
Le calcul complet montrerait que parmi toutes les separations possibles sur x1 et x2 , c'est
cette derniere qui est la meilleure du point de vue du critere quadratique employe. La region
R3 sera donc divisee en deux par la droite d'equation x2 = 5. Il est interessant de noter que ce
n'est pas la mediatrice entre h1 et h2 .
11.2.4 La n de la construction et l'elagage
Cette construction se poursuit jusqu'a ce que chaque point soit sur une feuille, ou lorsque
les moyennes des deux regions les meilleures a separer sont trop proches. Cette derniere facon
de faire est cependant dangereuse dans la mesure ou un attribut tres separateur peut succeder
a un qui ne l'est pas.
C'est pourquoi on a developpe pour les arbres de regression des methodes d'elagage puis-
santes. Apres avoir laisse cro^tre l'arbre jusqu'a ce que chaque feuille ne contienne qu'un petit
nombre de points, voire un seul, on elague en reunissant les feuilles selon un critere de complexite
dont Breiman [BFOS84] a montre qu'il est optimal pour un arbre donne. En d'autres termes, la
procedure d'elagage ne transforme pas un arbre sous-optimal en un arbre optimal, bien entendu,
elle se contente d'être capable, pour un arbre donne, de trouver l'elagage optimal pour cet arbre.
11.3 Le boosting d'un algorithme d'apprentissage

11.3.1 Plusieurs experts valent mieux qu'un
Il est rare qu'un decideur ait sous la main un expert omniscient et inconteste lui permettant de
faire le meilleur choix. Il n'a souvent d'autres ressources que de consulter un comite d'experts plus
ou moins competents puis de combiner leurs avis pour prendre sa decision. Mais cette decision
est-elle forcement la bonne? Est-elle meilleure que la decision qu'aurait pris le meilleur expert
du comite ? Peut-on s'arranger pour rendre ce comite d'experts de plus en plus performant?
Prenons un exemple concret 14 . Soit un joueur de tierce cherchant a maximiser ses gains.
Il conna^t un certain nombre d'(( experts )) des courses de chevaux. Aucun d'eux n'est capable
d'expliciter completement son expertise, mais, interroge a propos d'un ensemble de courses,
14. Repris de Freund et Schapire, les concepteurs du boosting, dans [FS99].
chacun d'eux peut fournir des regles grossieres (par exemple : (( il faut parier sur le cheval
ayant gagne le plus grand nombre de courses )), ou : (( il faut parier sur le cheval ayant la plus
grande cote ))). Prise isolement, chacune de ces regles est peu performante. On peut cependant
raisonnablement penser qu'elles sont un peu meilleures que le hasard. De plus, si on interroge
chaque expert sur des ensembles de courses dierents, on peut obtenir plusieurs regles de ce
type. Le joueur a maintenant deux questions a resoudre. D'abord, quels ensembles de courses
devrait-il presenter a chaque expert en vue d'extraire les regles les plus interessantes? Ensuite,
comment doit-il combiner les avis des experts pour atteindre la meilleure decision? La premiere
question concerne le choix des exemples d'apprentissage soumis a l'apprenant. La deuxieme
concerne la maniere de combiner l'avis d'apprenants (potentiellement dierents) entra^nes sur
des echantillons dierents.
De maniere etonnante, des recherches en apprentissage articiel datant du debut des annees
1990 montrent qu'il est possible d'atteindre une decision aussi precise que souhaitee par une
combinaison judicieuse d'experts imparfaits mais correctement entra^nes. Plusieurs algorithmes
d'apprentissage ont ete developpes a la suite de ces travaux.
Le mot boosting 15 s'applique a des methodes generales capables de produire des decisions
tres precises (au sens d'une fonction de perte) a partir d'un ensemble de regles de decision
(( faibles )), c'est-
a-dire dont la seule garantie est qu'elles soient un peu meilleures que le ha-
sard. Ces methodes s'appliquent aussi bien a l'estimation de densite qu'a la regression ou a la
classication. Pour simplier, nous nous concentrons ici sur la tâche de classication binaire.
Dans sa version (( par sous-ensembles )), cette technique fait produire a l'algorithme trois
resultats selon la partie de l'ensemble d'apprentissage sur laquelle il apprend, puis combine les
trois apprentissages realises pour fournir une regle de classication plus ecace. Examinons
d'abord cette technique avant de voir comment la generaliser a l'aide de distributions de proba-
bilite sur les exemples.
11.3.2 Le premier algorithme de boosting
Schapire ([Sch90]) developpa le premier algorithme de boosting pour repondre a une question
de Kearns : est-il possible de rendre aussi bon que l'on veut un algorithme d'apprentissage
(( faible )), c'est-
a-dire un peu meilleur que le hasard? Shapire montra qu'un algorithme faible
peut toujours ameliorer sa performance en etant entra^ne sur trois echantillons d'apprentissage
bien choisis. Nous ne nous interessons ici qu'a des problemes de classication binaire.
L'idee est d'utiliser un algorithme d'apprentissage qui peut être de natures tres diverses (un
arbre de decision, une regle bayesienne de classication, une decision dependant d'un hyperplan,
etc.) sur trois sous-ensembles d'apprentissage.
1. On obtient d'abord une premiere hypothese h1 sur un sous-echantillon S1 d'apprentissage
de taille m1 < m (m etant la taille de S l'echantillon d'apprentissage disponible).
2. On apprend alors une deuxieme hypothese h2 sur un echantillon S2 de taille m2 choisi
dans S ; S1 dont la moitie des exemples sont mal classes par h1 .
3. On apprend nalement une troisieme hypothese h3 sur m3 exemples tires dans S ;S1 ;S2
pour lesquels h1 et h2 sont en desaccord.
4. L'hypothese nale est obtenue par un vote majoritaire des trois hypotheses apprises :
H = vote majoritaire(h1 ; h2 ; h3 )
15. La traduction litterale de ce mot est (( stimulation )) ou (( amplication )) (pourquoi pas (( dopage )) ?) ; le terme
anglais est toujours employe dans le contexte de l'apprentissage.
Le theoreme de Schapire sur la (( force de l'apprentissage faible )) prouve que H a une

performance superieure a celle de l'hypothese qui aurait ete apprise directement sur l'echantillon
S.
Une illustration geometrique du boosting selon cette technique de base est donnee dans les
gures 11.12, 11.13 et 11.14.
+ + +++
+
+ + +
+ +
+
+
+ ;+ +++;; ;

;; +;;;+;;
;;; +;;
;
; ;
Fig. 11.12 { A gauche : l'ensemble d'apprentissage S et le sous-ensemble S1 (points entoures).

A droite : l'ensemble S1 et la droite C1 apprise sur cet ensemble.
++ + +++ ++ + +++
++ + +++ + ++
++;+ +++;;; ++ + +;;;
+ ;;
;; +;;; +; ;;;+
;; +;;;
; ;; ; ;;; ;;
Fig. 11.13 { A gauche : l'ensemble S ;S1 et la droite C1 apprise sur S1 . A droite : un ensemble
S2 inclus dans S ; S1 parmi les plus informatifs pour C1 (points entoures).
Idealement, les trois ensembles d'exemples extraits de S devraient le vider de tous ses
exemples, ce qui revient a dire que la somme des valeurs m1 , m2 et m3 doit approcher m.
C'est la facon de tirer un prot maximal de S . Mais on concoit que ce reglage ne soit pas
forcement facile a faire en pratique : si l'algorithme A est performant sur S , m2 pourra être
pris bien inferieur a m1 , alors que la proportion pourrait être inverse si A est seulement un peu
meilleur qu'un tirage de classe au hasard. En general, on regle empiriquement les proportions
des trois ensembles en faisant plusieurs essais, jusqu'a ce que tous les elements de S ou presque
participent au processus.
On peut utiliser recursivement la methode et proceder avec neuf sous-ensembles, vingt-sept
sous-ensembles, etc. Mais la meilleure generalisation est de faire glisser la notion de fonction
caracteristique (qui vaut 1 sur les points d'un sous-ensemble et 0 partout ailleurs) vers celle
de distribution de probabilite sur les points de l'ensemble d'apprentissage. Cette technique sera
egalement employee pour les fenêtres de Parzen (chapitre 14). C'est ce que realise l'algorithme
que nous presentons maintenant.
++ + +
++ +
++ ++
+
++
+ ++ ++ + + ++ +++ ;
+
++ + +;;; +
++ +++ +;; ;;;
;; +++ +;;;; + ;+ ++
++;
;;; ;+;;;+;; ;;
; ;; ; ; +;; ;
;;;;;;+
; ;; ; ;;
Fig. 11.14 { A gauche : l'ensemble S2 et la droite separatrice C2 apprise sur cet ensemble.
Au centre : l'ensemble S3 = S ; S1 ; S2 et la droite separatrice C3 apprise sur
cet ensemble. A droite : l'ensemble S et la combinaison des 3 droites separatrices

apprises sur cet ensemble.
11.3.3 Le boosting probabiliste et l'algorithme AdaBoost

Trois idees fondamentales sont a la base des methodes de boosting probabiliste:
1. L'utilisation d'un comite d'experts specialises que l'on fait voter pour atteindre une decision.
2. La ponderation adaptative des votes par une technique de mise a jour multiplicative.
3. La modication de la distribution des exemples disponibles pour entra^ner chaque expert,
en surponderant au fur et a mesure les exemples mal classes aux etapes precedentes.
L'algorithme le plus pratique s'appelle AdaBoost (pour adaptive boosting). L'une des idees
principales (voir l'algorithme 11.3) est de denir a chacune de ses etapes 1 t T , une nouvelle
distribution de probabilite a priori sur les exemples d'apprentissages en fonction des resultats de
l'algorithme a l'etape precedente. Le poids a l'etape t d'un exemple ((x)i ; ui ) d'indice i est note
Dt (i). Initialement, tous les exemples ont un poids identique, puis a chaque etape, les poids des
exemples mal classes par l'apprenant sont augmentes, forcant ainsi l'apprenant a se concentrer
sur les exemples diciles de l'echantillon d'apprentissage.
A chaque etape t, l'apprenant cherche une hypothese ht X ! f;1; +1g bonne pour la
distribution Dt sur X . La performance de l'apprenant est mesuree par l'erreur :
X
"t = pDt [ht (xi ) 6= ui ] = Dt(i)
i : ht (xi )6=ui
On note que l'erreur est mesuree en fonction de la distribution Dt sur laquelle l'apprenant
est entra^ne. En pratique, soit les poids des exemples sont eectivement modies, soit c'est la
probabilite de tirage des exemples qui est modiee et l'on utilise un tirage avec remise (bootstrap).
Chaque hypothese ht apprise est aectee d'un poids t mesurant l'importance qui sera donnee
a cette hypothese dans la combinaison nale. Ce poids est positif si "t 1=2 (on suppose ici
que les classes `+' et `-' sont equiprobables, et donc que l'erreur d'une decision aleatoire est de
1=2). Plus l'erreur associee a l'hypothese ht est faible, plus celle-ci est dotee d'un coecient t
important 16 .
16. Le terme AdaBoost vient du fait que contrairement aux algorithmes de boosting anterieurs, il n'est pas necessaire
de fournir la borne d'amelioration a priori. AdaBoost s'adapte a l'erreur de chaque hypothese faible.
L'examen des formules de mise a jour des poids des hypotheses dans l'algorithme 11.3 suggere
que vers la n de l'apprentissage, le poids des exemples diciles a apprendre devient largement
dominant. Si une hypothese peut être trouvee qui soit performante sur ces exemples (c'est-a-
dire avec "t 0), elle sera alors dotee d'un coecient t considerable. L'une des consequences
possibles est que les exemples bruites, sur lesquels nit par se concentrer l'algorithme, perturbent
gravement l'apprentissage par boosting. C'est en eet ce qui est frequemment observe.
Algorithme 11.3 AdaBoost dans le cas d'un apprentissage de concept
S = f(x1; u1 ); : : : ; (xm; um)g, avec ui 2 f+1; ;1g; i = 1; m
pour tout i=1,m faire
p0(xi ) 1=m
n pour
t 0
tant que t T faire
Tirer un echantillon d'apprentissage St dans S selon les probabilites pt
Apprendre une regle de classication ht sur St par l'algorithme A
Soit "t l'erreur apparente de ht sur S . Calculer t 12 ln 1;"t"t
pour i = 1; m faire
pt+1(xi ) ptZ(xt i ) e;t si ht (xi) = ui (bien classe par ht )
pt+1(xi) ptZ(xt i ) e+t si ht (xi) 6= ui (mal classe P
par ht ).
(Zt est une valeur de normalisation telle que mi=1 pt (xi ) = 1)
n pour
t t+1
n tant que ;PT h (x)
Fournir en sortie l'hypothese nale : H (x) = sign t=1 t t
A la n de cet algorithme, chaque regle de classication ht est ponderee par une valeur t
calculee en cours de route. La classication d'un nouvel exemple (ou des points de S pour obtenir
l'erreur apparente) se fait en utilisant la regle :
tX
=T !
H (x) = sign t ht (x)
t=1
En un sens, on voit que le boosting construit l'hypothese nale comme une serie additive
dans une base de fonctions, dont les elements sont les hypotheses ht . On retrouve la un theme
frequent dans les techniques d'apprentissage (par exemple les SVM, les methodes d'approxima-
tion bayesiennes, etc.).
11.3.4 Les proprietes de l'algorithme AdaBoost

Commencons par analyser l'erreur en apprentissage de AdaBoost. E crivons l'erreur "t de
ht comme : 21 ; t , ou t mesure l'amelioration apportee par l'hypothese ht par rapport a l'erreur
de base 1=2. Freund et Shapire, [FS97], ont montre que l'erreur en apprentissage (la fraction
d'erreur sur l'echantillon d'apprentissage S ) de l'hypothese nale H est bornee par :
Yh p i Yp X 2!
2 "t (1 ; "t ) = 1 ; 4 t 2 exp ;2 t
t t t
Ainsi, si chaque hypothese faible est legerement meilleure que le hasard, ( t > 0), alors
l'erreur en apprentissage diminue exponentiellement rapidement avec t.
L'erreur en generalisation de l'hypothese nale H peut être bornee par une expression faisant
intervenir l'erreur en apprentissage, le nombre d'exemple d'apprentissage m, la dimension de
Vapnik-Chervonenkis dH de l'espace d'hypothese et T le nombre d'etapes de boosting ([FS97]) :
r !
RReel (H ) = REmp(H ) + O T dH )
m
ou REmp (H ) denote l'erreur empirique mesuree sur l'echantillon d'apprentissage.
Cette borne suggere que le boosting devrait tendre a surapprendre lorsque T devient grand,
puisque le deuxieme terme devient grand. Si cela arrive eectivement parfois, il a ete observe
empiriquement que souvent cela ne se produit pas. De fait, il appara^t même frequemment que
le risque reel tend a diminuer même lontemps apres que le risque empirique soit devenu nul.
En reponse a cette observation enigmatique, des chercheurs ont essaye d'etablir un lien entre le
boosting et les methodes a large marge (voir le chapitre 9 sur les SVM).
Denissons la marge d'un exemple (x; y) par :
P
T h (x)
marge(x; y) = y P t=1 t t
T
t=1 t
Ce nombre est compris dans l'intervalle [;1; +1] et est positif seulement si H classie cor-
rectement l'exemple. La marge peut être interpretee comme une mesure de conance dans la
prediction. Il a ete prouve que l'erreur en generalisation peut alors être bornee par :
r !
^ [marge(x; y) ] + O
RReel (H ) Pr dH
m2
pour tout > 0 avec forte probabilite.
On note que cette borne est maintenant independante de T , le nombre d'etapes de boosting.
De plus, il a pu être montre que le boosting cherche eectivement a augmenter la marge avec les
exemples puisqu'il se concentre sur les exemples diciles a classer, c'est-a-dire sur les exemples
dont la marge est la plus faible.
Schematiquement, AdaBoost et les methodes SVM eectuent une recherche de classica-
teurs a large marge dans des espaces de grandes dimensions, ces classicateurs etant de plus des
combinaisons lineaires, mais :
les normes utilisees (L2 pour les SVM et L1 et L1 pour AdaBoost) sont dierentes, donc
les espaces explores aussi
l'optimisation sous contrainte est quadratique pour les SVM et lineaire pour le boosting
la recherche est globale pour les SVM ce qui est rendu possible par l'astuce des fonctions
noyau permettant de faire des calculs virtuels simples dans des espaces de tres grande
dimension, tandis que le boosting eectue une recherche locale gloutonne (une coordonnee
h(x) a la fois, cette coordonnee devant avoir une correlation non negligeable (meilleure
que le hasard) avec l'etiquette u).
Si des liens ont ainsi pu être etablis de maniere prometteuse entre le boosting et les methodes
a large marge, il reste encore a les investiguer de maniere plus complete et il y a la encore de
beaux sujets de recherche en perspective (voir par exemple [FS99] pour des references).
11.3.5 L'utilisation du boosting
Le boosting, et particulierement l'algorithme AdaBoost, a ete employe avec succes avec de
nombreux algorithmes d'apprentissage (( faibles )) (par exemple C4.5 : un systeme d'apprentis-
sage d'arbre de decision ([Qui93]) ou Ripper : un systeme d'apprentissage de regles) et sur des
domaines d'application varies. En general, l'utilisation du boosting a pour resultat d'ameliorer
souvent sensiblement les performances en apprentissage.
Les avantages du boosting et de AdaBoost en particulier sont qu'il s'agit d'une methode
facile a programmer et aisee d'emploi. Elle ne necessite pas de connaissance a priori sur l'al-
gorithme d'apprentissage (( faible )) utilise, et elle peut s'appliquer de fait a n'importe quel
algorithme d'apprentissage faible. Les seuls parametres a regler sont la taille de l'ensemble d'ap-
prentissage m et le nombre total d'etapes T , qui peuvent être xes par l'utilisation d'un ensemble
de validation (voir le chapitre 3). De plus, des garanties theoriques sur l'erreur en generalisation
permettent de contrôler l'apprentissage. Une autre propriete interessante du boosting est qu'il
tend a detecter les exemples aberrants (outliers) puisqu'il leur donne un poids exponentiellement
grand en cours d'apprentissage. Cependant, la contrepartie de ce phenomene est que le boosting
est sensible au bruit et ses performances peuvent être grandement aectees lorsque de nombreux
exemples sont bruites. Recemment des algorithmes ont ete proposes pour traiter ce probleme
(comme Gentle AdaBoost [HTF01] ou BrownBoost [Fre99]).
Il est a noter que l'adaptation aux problemes multiclasses n'est pas immediate, mais elle a
cependant fait l'objet d'etudes menant aussi a des algorithmes ecaces. De même qu'il existe
des extensions a la regression.
11.3.6 Boosting et theorie PAC
Les premiers travaux sur le boosting sont issus d'une question posee par Valiant et Kearns
[KV88] dans le cadre de l'apprentissage PAC . Les algorithmes PAC au sens fort sont denis
ainsi :
pour toute distribution de probabilite DX DU sur l'espace des exemples (x; u),
8" > 0; > 0,
etant donne un nombre polynomial (fonction de 1=" et de 1=) d'exemples i.i.d. suivant
DX DU ,
l'algorithme trouve une hypothese d'erreur " avec une probabilite 1 ; .
Les algorithmes d'apprentissage dits faibles ont une denition analogue, mais on leur de-
mande seulement de trouver une hypothese d'erreur " 21 ; , avec strictement positif, donc
eventuellement juste un peu meilleure que le hasard, en supposant une tâche de classication
binaire avec la même proportion d'exemples positifs et negatifs.
La question posee : est-ce qu'il est possible d'utiliser un algorithme faible pour obtenir un
apprentissage de type fort?
Shapire ([FS99])a prouve que la reponse a cette question est positive et a concu le premier
algorithme de boosting par sous-ensembles. Freund [Fre99] a ensuite produit un algorithme
beaucoup plus ecace, egalement optimal, mais dicile a appliquer. En 1995, Freund et Shapire
[FS97] ont propose l'algorithme AdaBoost, ecace et pratique, qui est maintenant la technique
la plus employee pour ameliorer les performances de n'importe quel algorithme d'apprentissage
supervise.
Dans le même temps, d'autres chercheurs ont analyse comment il est possible d'identier les
bons experts au sein d'une grande collection d'experts ou bien les bons attributs quand on a un
grand nombre d'attributs (ces deux problemes sont relies). Les algorithmes developpes, tels que
Winnow [LW94] (voir au chapitre 15) ont revele l'interêt de la mise a jour multiplicative des
ponderation d'experts.
11.3.7 Le (( bagging ))
Le bagging est une methode qui, comme le boosting, combine des hypotheses pour obtenir
une hypothese nale. Cependant la methode est plus simple et generalement moins perfor-
mante. L'idee de base est d'entra^ner un algorithme d'apprentissage (arbre de decision, reseau
connexionniste, etc.) sur plusieurs bases d'apprentissage obtenues par tirage avec remise 17 de
m0 (avec m0 < m) exemples d'apprentissage dans l'echantillon d'apprentissage S . Pour chaque
tirage b (pour bag), une hypothese hb est obtenue. L'hypothese nale est simplement la moyenne
des hypotheses obtenues sur B tirages au total :
X
B
H (x) = B1 hb (x)
b=1
L'une des justications de cette methode est que si les hypotheses hb calculees pour chaque
tirage b ont une variance importante (donc sont sensibles a lechantillon des m0 exemples d'ap-
prentissage), alors leur moyenne H aura une variance reduite.

Un certain nombre de travaux preliminaires sur la reconnaissance des formes par des methodes
hierarchiques ont ete compiles dans des articles bibliographiques, par exemple [SL91], avant la
parution en 1984 des travaux decisifs dans (( CART )), le livre vraiment fondateur des techniques
des arbres de decision et de regression ([BFOS84]). Cet ouvrage ne developpe pas seulement
l'algorithme d'apprentissage de base, mais explique la validite statistique de l'elagage et donne
des exemples sur des attributs binaires et numeriques. La releve est ensuite principalement prise
par R. Quinlan, qui developpe les algorithmes ID3 et C4.5 ([Qui93], [QR89]) et applique la
methode a des donnees numeriques et symboliques variees. Un aspect original, le developpement
incremental des arbres de decision, a ete propose par P. Utgo ([Utg89]).
En lisant les ouvrages recents sur la fouille de donnees, par exemple [HK01], on constate
l'importance pratique de ces methodes, encore une fois pratiquement les seules a savoir traiter
de maniere homogene les exemples decrits par (presque) tous les types d'attributs.
Le livre recent de Zighed et Rakotomalala [ZR00] dresse un panorama complet sur les arbres
de decision et analyse leur extension a des graphes, tout en presentant une grande variete d'ap-
plications, en particulier a la classication non supervisee et a la regression. Il donne aussi une
remarquable bibliographie.
On trouvera des exposes pedagogiques sur les arbres de decision dans de nombreux livres.
Les chapitres sur le sujet dans [WK91] et [Mit97] sont particulierement didactiques. On pourra
consulter une bonne bibliographie dans [Mit97] et [DHS01].
Le materiel presente ici pour les arbres de decision a ete en particulier inspire par le texte
de O. Gascuel dans [Nic93]. On reprend dans ce chapitre le critere de selection d'un attribut
par l'entropie propose par Quinlan dans la methode ID3 et la technique d'elagage de CART.
17. Methode de tirage que l'on appelle bootstrap.
Le critere de Lerman(11.6) a ete aimablement reformule par son auteur pour s'adapter a nos
notations.
Le lociciel OC1 ([MKS94]) et les donnees de Fisher (avec quatre attributs) sont disponibles
au public, comme beaucoup d'autres jeux de donnees, a partir du site Internet :
http://www.ai.univie.ac.at/oefai/ml/ml-ressources.html
L'histoire du boosting est evoquee au paragraphe 11.3.6. De remarquables developpements
theoriques ont ete eectues sur ces methodes en particulier sur la capacite de generalisation et les
liens avec les SV M (chapitre 9). Le mot anglais arcing (de adaptive reweighting and combining)
est employe pour designer toutes les methodes qui selectionnent ou reponderent les donnees pour
ameliorer la classication. Les deux methodes de boosting que nous avons vues en font partie.
Le bagging (de boostrap aggregation) en fait partie aussi (voir [HTF01] et le chapitre 3).
Resume
Les arbres de decision permettent de classer des objets ayant des attributs de nature
discrete. Ils sont contruits recursivement par specialisation progressive sur l'espace
des exemples. La classe d'un objet est ainsi predite par la classe de la region calculee
par l'arbre de decision dans laquelle il se trouve.
A chaque nud correspond un test a n valeurs (souvent binaire) sur un attri-
but.
On classe un objet en partant de la racine et en suivant le chemin dans les
nuds donne par la reponse aux tests, jusqu'a une feuille (a laquelle est aectee
une classe).
L'apprentissage se fait recursivement, en choisissant pour racine de l'arbre l'at-
tribut le plus correle avec la distribution en classes, ce qui separe les exemples
en n parties sur lesquelles on recommence ce choix.
On arrête l'apprentissage lorsque les feuilles de l'arbre sont susamment
(( pures )) ou qu'aucun test n'est plus disponible.
une phase d'elagage est ensuite necessaire pour reduire l'arbre et diminuer sa
probabilite d'erreur de classication.
De par leur facilite d'utilisation et la relative transparence des hypotheses
produites, les arbres de decision sont tres largement employes.
Le boosting est une technique d'apprentissage qui vise a rendre plus performant
un systeme d'apprentissage (( faible )). Pour ce faire, le systeme d'apprentissage
est entra^ne successivement sur des echantillons d'apprentissage surponderant les
exemples diciles a apprendre. A chaque fois, une hypothese ht est produite, et
l'hypothese nale est une combinaison lineaire de ces hypotheses ponderees par des
coecients lies a leur performance. Le boosting est d'un emploi tres large et fait
l'objet de nombreux travaux et applications.
Chapitre 12
L'apprentissage de reseaux bayesiens
On presente dans ce chapitre un cas particulier de modeles permettant d'exprimer

des relations probabilistes entre des ensembles de faits. Ces relations dierent des
relations logiques en ce qu'elles n'autorisent pas un raisonnement implicatif, mais
conditionnel. Deux faits peuvent en eet être en relation causale sans que l'un im-
plique l'autre. Dans la base de donnees d'une compagnie d'assurances, il est par
exemple possible que, pour une majorite des entrees dans une certaine ville, les items
(( contravention de stationnement )) soient vrais quand un autre item comme (( le
conducteur aime les legumes )) soient correles. Il serait trop rapide et peu fructueux
d'en conclure que le second fait implique statistiquement le premier. Une analyse
en probabilite conditionnelle des faits pourrait en eet reveler que la majorite des
contraventions sont collees le samedi, jour du marche. Il existe bien une (( cause ))
commune (ou en tout cas une condition commune de forte probabilite), mais la lo-
gique n'a pas reellement a intervenir dans cette aaire. L'ensemble des faits et des
probabilites conditionnelles d'un systeme de raisonnement de ce type peut s'organiser
en graphe, sous certaines conditions d'independance probabiliste. On peut alors rai-
sonner, c'est-a-dire calculer la probabilite conditionnelle de n'importe quel ensemble
de faits connaissant n'importe quel autre ensemble. C'est une technique puissante
pour exploiter utilement les bases de donnees. Cependant, un systeme de ce type ne
peut être completement utile que si un programme est capable d'extraire automati-
quement les faits signicatifs et le reseau de leurs relations conditionnelles. Une base
de donnees comporte couramment des dizaines de milliers d'entrees ventilees sur des
centaines de faits V RAI ou FAUX . Aucun expert ne peut extraire seul une struc-
ture de dependance probabiliste d'une telle quantite de donnees. C'est ici qu'intervient
l'apprentissage articiel...
e matin, il y a un cygne a bec jaune sur ma pelouse. Deux possibilites : soit il s'est
C echappe du zoo voisin, soit c'est un oiseau migrateur. Pour le savoir, je me dirige vers
le poissonnier du coin et j'observe que le prix de saumon norvegien a augmente. J'en
deduis que le cygne est sauvage.
Ce genre de (( raisonnement )) possede deux caracteristiques un peu surprenantes. La premiere
est que la decision prise n'est pas forcement la bonne : le cygne peut tres bien s'être echappe du
zoo et je peux aussi me tromper a propos du cours du saumon. Surtout, il n'y a pas d'implication
(de relation de cause a eet) entre le fait d'avoir un cygne sur ma pelouse et celui d'avoir a payer
le saumon plus cher. Cependant, constater le second change ma conance dans l'origine du
premier. Pourquoi? S'il fait tres froid dans le Nord de l'Europe, deux phenomenes en apparence
independants ont une probabilite forte d'arriver : la migration jusqu'a nos latitudes d'une espece
qui est en general plus septentrionale et l'augmentation du cours du poisson recolte sur place,
plus dicile a pêcher et a traiter.

On peut isoler quatre faits dans cet univers, associes a une probabilite d'être V RAI : il y a
un cygne sur ma pelouse, le zoo est mal surveille, le saumon a augmente, l'hiver est froid dans
le Nord. Les donnees de depart sont les suivantes : d'abord, il y a un cygne sur ma pelouse avec
une tres forte probabilite (je suis expert ornithologue et peu sujet a des hallucinations). Ensuite,
le prix du saumon norvegien a augmente, avec une bonne probabilite. D'autre part, je connais
un certain nombre de relations comme :
Les cygnes a bec jaune migrent parfois jusqu'ici quand il fait froid dans le Nord.
Les animaux peuvent s'echappent du zoo si celui-ci a eu un probleme technique.
Le prix de saumon augmente quand les conditions de pêche sont mauvaises dans le Nord
de l'Europe.
Je dois pour chaque relation donner la valeur de deux probabilites conditionnelles: celle que ce
cygne sauvage soit sur ma pelouse sachant qu'il fait particulierement froid dans le Nord et celle
que ce cygne sauvage soit sur ma pelouse sachant qu'il ne fait pas particulierement froid dans le
Nord (la somme des deux ne vaut pas forcement 1). Et de même pour les deux autres relations.
Un cygne est sur ma pelouse soit parce c'est un evade du zoo, soit parce que c'est un
migrateur. Les deux causes sont, disons, a priori plausibles au même degre. Mais observer l'aug-
mentation du prix du saumon m'indique qu'il est probable qu'il y ait des mauvaises conditions
de pêche en Norvege (dans mon ensemble de faits, c'est le seul qui puisse intervenir). Donc,
l'hypothese que le cygne est migrateur devient plus vraisemblable que celle de la defaillance
technique au zoo.
Dit autrement : s'il fait tres froid dans le Nord de l'Europe, deux phenomenes en apparence
independants ont une probabilite forte d'arriver ensemble : la migration jusqu'a nos latitudes
d'une espece qui est en general plus septentrionale et l'augmentation du cours du poisson recolte
sur place.
Supposons maintenant que j'observe un certain nombre de fois les quatre faits cites ci-dessus.
Puis-je apprendre a raisonner ainsi en me trompant le moins possible dans la conclusion? C'est en
eet le sujet de ce chapitre que de montrer comment raisonner dans un (( reseau )) de probabilites
conditionnelles et surtout comment apprendre a le construire a partir d'observations conjointes
des faits de base.
12.1 Les reseaux d'inference bayesiens

Les reseaux d'inference bayesiens sont des modeles qui permettent de representer des situa-
tions de raisonnement probabiliste a partir de connaissances incertaines. Ils sont une representa-
Chapitre 12 L'apprentissage de reseaux bayesiens 365
tion ecace pour les calculs d'une distribution de probabilites. Plus precisement, les resaux
bayesiens conjuguent deux aspects (voir la gure 12.1) :
Une partie qualitative exprimant des independances conditionnelles entre variables et
des liens de causalite. Cela se fait grâce a un graphe oriente acyclique 1 dont les nuds
correspondent a des variables aleatoires (dont nous supposerons qu'elles ne peuvent prendre
qu'un ensemble ni de valeurs, et même souvent les seules valeurs V RAI et FAUX ).
Une partie quantitative constituee des tables de probabilites conditionnelles de chaque
variable etant donnes ses parents dans le graphe.
Age Sexe
Exposition P(F|A,S) = 0.9

aux produits Fumeur
toxiques
P(F|A;¬S) = 0.05
P(F|¬A,S) = 0.0
P(F|¬A,¬S) = 0.0
Cancer
Tumeur
Serum
des
Calcium
poumons
Fig. 12.1 { Les reseaux bayesiens sont une representation compacte et ecace pour les calculs
d'une distribution de probabilites grâce a l'exploitation des independances condition-
nelles entre variables. A chaque nud est associee une table de probabilites condi-
tionnelles.
Prises ensemble ces deux parties denissent une distribution de probabilite unique sous forme
factorisee. Par exemple, dans le cas de la gure 12.1 :
P (A; S; E; F; C; Se; T ) =
p(A) P (S ) P (E jA) P (F jA; S ) P (C jE; F ) P (SejC ) P (T jC )
Cette factorisation prend en compte les independances conditionnelles exprimees dans le
graphe. Ainsi par exemple, Serum Calciumet Tumeur des poumons sont deux variables dependantes,
mais elles deviennent independantes si l'on conna^t la valeur de la variable Cancer.
Si l'on ne tenait pas compte de ces independances, il faudrait ecrire la distribution jointe de
probabilites comme :
P (A; S; E; F; C; Se; T ) =
p(A) P (S jA) P (E jA; S ) P (F jA; S; E )
P (C jA; S; E; F ) P (SejA; S; E; F; C ) P (T jA; S; E; F; C; Se)
1. On dit souvent : un DAG, de l'anglais directed acyclic graph.
La distribution de probabilites totale necessite donc ici la connaissance de 16 parametres

au lieu de 215 = 32768 si on ne tenait pas compte des independances conditionnelles encodees
dans le graphe. Plus grand est le nombre de variables et plus l'economie est potentiellement
considerable. Nous verrons egalement que les inferences, et l'apprentissage en seront facilites
d'autant.
Chaque fait est represente graphiquement par un nud et les relations directes entre nuds
sont des arcs orientes entre les nuds. L'exemple de l'introduction comporte donc quatre nuds
et trois arcs. Completement deni, il representerait de maniere condensee toute l'information
sur les dependances entre les faits.
Nous allons d'abord denir un reseau d'inference bayesien en y introduisant toutes les valeurs
de probabilites necessaires ; nous verrons ensuite comment un tel modele permet de raisonner.
Enn, nous donnerons quelques techniques pour apprendre ces modeles a partir d'exemples.
12.1.1 Denitions et notations

Un reseau d'inference bayesien, ou reseau bayesien, est un systeme de raisonnement proba-
biliste construit sur un graphe oriente sans cycle. Nous emploierons donc dans ce chapitre le
vocabulaire classique de la theorie des graphes : par exemple, un nud F sera dit descendant
d'un nud A s'il existe un chemin (une suite d'arcs, ici orientes) entre F et A. Les termes
de parent, descendant direct ou ls, descendant, non-descendant et ancêtre seront utilises (des
exemples sont donnes a la gure 12.2). Chaque nud d'un reseau bayesien porte une etiquette
A B C
D E
F G
Fig. 12.2 { Un graphe oriente sans cycle. Les parents de F sont D et E . Les ancêtres de F
sont D, E , A, B et C . Les ls de B sont D et E . Les descendants de B sont D, E ,
F et G. Les non-descendants de A sont B , C , E et G.
qui est un des attributs du probleme. Ces attributs sont binaires, pouvant prendre (avec une
certaine probabilite) la valeur V RAI ou FAUX , ce qui signie qu'une variable aleatoire est
associee a chaque attribut. Comme a chaque nud est associee un attribut, donc une variable
aleatoire dierente, nous pouvons confondre par la suite un nud, un attribut et la variable
aleatoire associee.
Nous notons la probabilite que la variable X soit VRAI par P (X = V RAI ), ou en raccourci
P (X ). On a : P (X = FAUX ) = 1 ; P (X = V RAI ), ce que nous notons : P (:X ) = 1 ; P (X ).
12.1.2 La d-separation
Les independances conditionnelles encodees par le graphe sont calculables grâce a un critere
formel de theorie des graphes que l'on appelle la d-separation. Ce critere permet le calcul des
independances conditionnelles en temps polynomial en fonction du nombre de variables.
Ainsi par exemple, chaque nud X soit independant de tout autre nud qui n'est pas son
descendant, independant sachant les parents de X . Ou encore :
Dans un reseau bayesien, tout nud est conditionnellement independant de ses non-descen-
dants, sachant ses parents.
En termes plus formels, notons A(V ) n'importe quel ensemble de nuds qui ne sont pas des
descendants de V et P (V ) l'ensemble des parents de V . Ceci s'ecrit :
P (V jA(V ); P (V )) = P (V jP (V )) (12.1)
Autrement dit, l'ensemble des valeurs P (V jP (V )), avec V parcourant l'ensemble des nuds du
graphe, sut a determiner completement l'ensemble de toutes les probabilites conditionnelles
d'un reseau bayesien.
Compte tenu de la structure particuliere du graphe, on peut demontrer [Fre98] que la condi-
tion 12.1peut se reecrire sous la forme suivante :

Theoreme 12.1
Soit V = fv1 ; : : : ; vk g l'ensemble des nuds du graphe. On a :
Yk
P (v1 ; : : : ; vk ) = P (vijP (vi )) (12.2)
i=1
Exemple 5
Nous adaptons de [Nil98] l'exemple dont le graphe est donne a la gure 12.3.
p(ZO) = 0.7
p(FN) = ZO
0.95
FN
p(CP | FN,ZO) = 0.9

p(CP | FN,¬ZO) = 0.05
SA CP p(CP | ¬FN,ZO) = 0.0
p(SA | FN) = 0.95 p(CP | ¬FN,¬ZO) = 0.0
p(SA | ¬FN) = 0.1
Fig. 12.3 { Le graphe du reseau bayesien qui exprime (( Il y a un cygne a bec jaune sur ma
pelouse )).
Ce reseau reprend le probleme de l'introduction, avec les notations suivantes :

- FN : Il fait Froid en Norvege ;
- ZO : La cage des cygnes est ouverte au ZOo ;
- CP : Il y a un Cygne sauvage sur ma Pelouse ;
- SA : Le prix de Saumon a Augmente ;
FN et ZO ont une in uence directe sur CP puisque ce sont donc ses nuds parents. De même,
FN a une in uence directe sur SA.
La specication complete d'un reseau bayesien doit aecter a chaque variable toutes les pro-
babilites conditionnelles signicatives (celles de l'equation 12.2). Compte tenu des dependances
de notre exemple, il faut donc d'abord specier les valeurs P (FN ) et P (ZO) qui sont non
conditionnelles, puisque les nuds correspondants sont tous les deux sans ancêtres. Notons que
les variables FN et ZO sont independantes pour la même raison. Il nous faut, pour le nud
SA, donner P (SA j FN ) et P (SA j :FN ) et, pour le nud CP , donner quatre valeurs :
P (CP j FN; ZO),P (CP j FN; :ZO), P (CP j :FN; ZO) et P (CP j :FN; :ZO).
Notre reseau sera donc complet si nous lui ajoutons par exemple le tableau :
P (FN ) 0.95
P (ZO) 0.7
P (SA j FN ) 0.95
P (SA j :FN ) 0.1
P (CP j FN; ZO) 0.9
P (CP j FN; :ZO) 0.05
P (CP j :FN; ZO) 0
P (CP j :FN; :ZO) 0

Ces valeurs sont donnees arbitrairement pour specier notre exemple. Par exemple, P (SAjFN ) =
0:95 signie que nous posons qu'il y a 95 % de chances que le prix du saumon augmente s'il fait
froid en Norvege et P (SA j :FN ) = 0:1 qu'il y a 10 % de chances qu'il augmente sans qu'il
fasse particulierement froid dans ce pays. Ces valeurs peuvent être obtenues par apprentissage,
comme nous le verrons au paragraphe 12.3.
12.1.3 Denition formelle d'un reseau bayesien
Compte tenu de ce qui a ete dit, nous pouvons maintenant donner une denition complete
d'un reseau bayesien.
Denition 12.1
Un reseau bayesien est un couple (G; P ), avec :
G est un graphe oriente sans cycle
A chaque nud de G est associee une variable aleatoire et une seule.
Soit fv1 ; : : : ; vng l'ensemble de ces variables aleatoires. La propriete suivante decoule de la
structure de graphe sans cycle :
Yk
P (v1 ; : : : ; vk ) = P (vi jP (vi )) (12.3)
i=1
avec P (vi ) l'ensemble des variables associees aux parents du nud associe a vi .
Un reseau bayesien est donc completement specie quand son graphe a ete decrit et quand,
pour chaque nud de ce graphe, les probabilites conditionnelles de ce nud sachant chacun de
ces parents sont donnees.
12.2 Les inferences dans les reseaux bayesiens

Un reseau bayesien est donc un graphe causal auquel on a associe une representation pro-
babiliste sous-jacente. La correspondance qui existe entre la structure graphique et la structure
probabiliste associee 2 permet de ramener l'ensemble des problemes d'inference a des problemes
de theorie des graphes, qui restent cependant assez complexes. Voyons cela de plus pres.
2. C'est pourquoi on parle aussi frequemment de modeles graphiques pour designer les reseaux bayesiens.
Une fois qu'un reseau bayesien a ete construit pour rendre compte d'un domaine, on cherche
souvent a l'utiliser pour determiner des probabilites correspondant a certains evenements, cer-
taines questions, certaines dependances. En general, ces probabilites ne sont pas stockees dans le
reseau et il faut donc les calculer. Comme un reseau bayesien encode la distribution de probabi-
lite jointe pour l'ensemble des variables du domaine, il permet en principe de calculer n'importe
quelle probabilite d'interêt. Les regles du calcul probabiliste sont utilisees pour cela. Dans la pra-
tique, on rencontre cependant deux dicultes : d'une part, les calculs ne sont vraiment possibles
que pour des variables a valeur discrete, d'autre part, il faut savoir tenir compte d'independances
conditionnelles dans le reseau pour ma^triser la complexite des calculs. Plusieurs methodes ont
ete mises au point pour cela.
12.2.1 Schemas d'inference
Nous cherchons maintenant a calculer d'autres probabilites conditionnelles pour exprimer

l'in uence des variables les unes sur les autres. Par exemple, comment le reseau donne en exemple
peut-il repondre aux questions :
Quelle est la probabilite pour qu'il y ait un cygne sur ma pelouse sachant que le zoo a
laisse une cage ouverte?
Quelle est la probabilite que le zoo soit en etat normal sachant qu'il ne fait pas parti-
culierement froid en Norvege?
Quelle est la probabilite que le zoo soit en etat normal sachant que le saumon n'a pas
augmente et qu'il ne fait pas particulierement froid en Norvege?
En termes formels, il s'agit de calculer les probabilites conditionnelles P (CP jZO), P (:ZOj:CP )
et P (:ZO j :FN; :CP ). Le premier cas s'appelle une inference causale ou descendante : en eet,
le nud ZO est un ancêtre du nud CP . On peut donc considerer ZO comme une cause 3 de CP .
Mais cela ne veut pas dire qu'il n'y ait pas de dependance inverse. Le second calcul s'appelle une
inference ascendante ou un diagnostic : il s'agit de comprendre une variable par ses consequences.
Le troisieme cas est une combinaison des deux premiers, appelee une explication.
D'une maniere generale, le calcul de ces probabilites conditionnelles se base sur la formule
de Bayes :
P (X; Y ) = P (X jY )P (Y ) = P (Y jX )P (X )
et sur la regle du cha^nage des probabilites conditionnelles :
P (X1 ; : : : ; Xn ) = P (Xn jXn;1 ; : : : ; X1 )P (Xn;1 j Xn;2 ; : : : ; X1 ) : : : P (X2 jX1 )P (X1 )
Y
n
P (X1 ; : : : ; Xn ) = P (Xi jXi;1 ; : : : ; X1 )
i=1
Par exemple, pour quatre variables :
P (X1 ; X2 ; X3 ; X4 ) = P (X4 jX3 ; X2 ; X1 )P (X3 jX2 ; X1 )P (X2 jX1 )P (X1 )
Exemple 6 (Un calcul d'inference causale)
Pour calculer P (CP jZO), il faut faire intervenir l'autre parent de CP :
P (CP jZO) = P (CP; FN jZO) + P (CP; :FN jZO)
3. Le mot de cause est a considerer avec prudence : il ne signie pas ici implication logique.
puis (( conditionner )) ce parent par rapport a ZO :

P (CP jZO) = P (CP jFN; ZO)P (FN jZO) + P (CP j:FN; ZO)P (:FN jZO)
Nous savons, puisque FN n'a pas de parent, que P (FN jZO) = P (FN ) et que de même
P (:FN jZO) = P (:FN ).
D'ou :
P (CP jZO) = P (CP jFN; ZO)P (FN ) + P (CP j:FN; ZO)P (:FN )
= 0:9 0:95 + 0: (1 ; 0:95) = 0:855
La generalisation du calcul fait sur cet exemple est facile a imaginer. On la trouvera developpee
formellement dans [Nil98] et [BN99].

Exemple 7 (Un calcul de diagnostic)
Ici, il faut renverser l'ordre des variables en utilisant la regle de Bayes :
P (:ZOj:M ) = P (:M j:P ZO )P (:ZO)

(:M )
Nous pouvons maintenant calculer P (:M; :ZO) par inference causale :
P (:CP; :ZO) = P (:CP; FN j:ZO) + P (:CP; :FN j:ZO)
= P (:CP jFN; :ZO)P (FN; :ZO)
+P (:CP j:FN; :ZO)P (:FN; :ZO)
= P (:CP jFN; :ZO)P (FN ) + P (:CP j:FN; :ZO)P (:FN )
= (1 ; 0:05) 0:95 + (1:) 0:05 = 0:9525
D'ou :
P (:ZO; :CP ) = 0:9525 P (:ZO) = 0:9525 0:3 = 0:28575 (12.4)
P (:CP ) P (:CP ) P (:CP )
Nous ne connaissons pas P (:CP ), mais nous contournons la diculte en le traitant comme un
facteur de normalisation en calculant, sans donner encore une fois le detail :
P (ZOj:CP ) = P (:CPP (j:ZO )P (ZO) = 0:0595 0:7 = 0:03665

CP ) P (:CP ) P (:CP ) (12.5)
Comme P (:ZOj:M ) + P (ZOj:CP ) = 1, on deduit des equations 12.4 et 12.5 :

P (:ZOj:M ) = 0:88632
La generalisation de ce calcul a tout reseau bayesien est egalement facile.
Exemple 8 (Un calcul d'explication)
Ici, le calcul se fait en employant a la fois la regle de Bayes et la regle de cha^nage des probabilites
conditionnelles.
P (:ZOj:FN; :CP ) = P (:CP;:FN;j:ZO)P (ZO) Regle de Bayes
P (:FN;:CP )
= P (:CP j:FN;:PZO )P (:FN j:ZO)P (:ZO) Denition

(:FN;:CP )
des probabilites
conditionnelles
= P (:CP j:FN; :ZO)P (:FN )P (:ZO)
P (:FN;:CP ) FN et ZO
independants
Tous les termes de cette expressions sont denies par le reseau, sauf P (:FN; :CP ), que l'on
peut calculer par diagnostic. On trouve nalement :
P (:ZOj:FN; :CP ) = 0:03

On peut remarquer que cette valeur est inferieure a P (:ZO; :CP ), ce qui signie que savoir en
plus que le prix du saumon n'a pas augmente reduit la probabilite que le zoo soit en etat normal
sachant qu'il ne fait pas specialement froid en Norvege. Voila un resultat pour lequel l'intuition
n'est pas tres utile.
La generalisation de ce calcul a tout reseau bayesien est encore possible, mais l'organisation
des calculs demande evidemment un algorithme plus complexe.
Complexite des calculs
Comme on l'a entrevu ci-dessus, il est donc possible en organisant correctement les calculs
de deriver (a partir de la structure et des probabilites donnees au depart) toutes les probabilites
conditionnelles du type P (VjW ), ou V et W sont des ensembles de nuds.
Malheureusement, il a ete demontre que ce calcul est NP-complet, c'est-a-dire qu'il n'existe
vraisemblablement pas, si V et W sont quelconques, d'algorithme dont le temps de calcul soit
polynomial en fonction du nombre total de nuds du reseau. Il faut donc chercher a reduire
ce temps de calcul en tenant compte le mieux possible de la structure, ce qui peut se faire
de deux manieres. La premiere technique consiste a trouver une relation entre la geometrie du
graphe du reseau et l'independance conditionnelle de sous-ensembles de ses nuds en etudiant
la d-separation des nuds du graphe. La seconde consiste a contraindre la structure pour que
les calculs se developpent facilement (par exemple dans les graphes particuliers que sont les
polyarbres).
Encore n'avons-nous parle la que de reseaux sans boucles. Dans le cas de reseaux a boucles,
c'est-a-dire dans lesquels il peut exister plusieurs chemins entre deux nuds, il faut avoir recours
a d'autres techniques, principalement :
Les methodes de conditionnement dans lesquelles on cherche a etendre les proprietes
d'independance conditionnelles dans le graphe en cherchant des sous-ensembles de variables
separant d'autres sous-ensembles de variables.
Les methodes de regroupement (methode des arbres de jonction) . Elles consistent a
se ramener a un reseau sans boucle en creant des nuds plus complexes qui representent
plusieurs nuds du graphe original. Nous ne parlerons pas davantage de ces methodes ici
(voir sur ce sujet par exemple [BN99]).
Les methodes d'approximation utilisant des methodes de Monte Carlo pour
estimer les probabilites en chaque nud connaissant la probabilite de certains nuds.
12.2.2 La d-separation generalisee

La d-separation exploitee au niveau local des nuds d'un graphe dans la section 12.1 (voir
equation 12.3) peut être generalisee au calcul de l'independance de sous-ensembles de nuds
dans le graphe.
Donnons d'abord une denition etendue de l'independance conditionnelle :
Denition 12.2
Deux variables aleatoires X et Y sont conditionnellement independantes sachant Z, avec Z un
ensemble de variables aleatoires si et seulement si :
P (X; Y jZ ) = P (X jZ )P (Y jZ )
Le fait de conna^tre s'il existe de telles relations entre les variables va permettre d'accelerer
les calculs d'inference.
L'independance conditionnelle peut aussi se decrire dans un reseau bayesien en terme de
geometrie du graphe. Un theoreme [Pea88] enonce en eet que :
Theoreme 12.2
Deux variables X et Y sont conditionnellement independantes sachant un ensemble de variables
Z si et seulement si les nuds X et Y sont d-separables par l'ensemble Z .
Il faut maintenant denir la geometrie de d-separabilite dans un graphe.
Soient deux nuds X et Y et un ensemble de nuds Z , avec X 62 Z et X 62 Z . Nous allons
d'abord denir ce qu'est un chemin non oriente entre X et Y . Pour cela, il faut imaginer un
instant que chaque arc du graphe est double d'un autre arc, oriente dans l'autre sens. Si on peut
aller de X a Y dans ce nouveau graphe, on dit alors que X et Y sont relies par un chemin non
oriente. Si l'on prefere, cela revient a autoriser a emprunter les arcs a l'envers, en plus de leur
sens de parcours naturel.
Sur un chemin non oriente entre X et Y , on peut rencontrer quatre types de nuds : deux
sortes de nuds en serie, des nuds convergents et des nuds divergents. En eet, pour un
nud intermediaire Z , le nud le plus proche en direction de X peut être soit un ls, soit un
pere ; de même en direction de Y . La gure 12.4 montre ces dierents cas.
Ceci pose, nous pouvons maintenant caracteriser un chemin non oriente entre X et Y vis a vis
d'un ensemble de nuds Z du graphe tel que ni X , ni Y n'appartiennent a Z . Nous distinguons
les cas suivants :
Cas 1 Z est dans Z et Z est un nud divergent.
Cas 2 et 3 Z est dans Z et Z est un nud en serie.
Cas 4 Soit T (X; Y ) l'ensemble des nuds qui sont descendants a la fois de X et de Y , mais dont
aucun des parents ne possede la même propriete. Alors, aucun des nuds T 2 T (X; Y ) ni
aucun des descendants de T n'est inclus dans Z .
On a alors la denition :
Denition 12.3
Soit Z un ensemble de nuds et X et Y deux nuds n'appartenant pas a Z . On dit que Z
d-separe X et Y si pour tous les chemins non orientes entre X et Y , il existe un nud Z dans
Z dans un des des cas 1, 2 ou 3, et si le cas 4 est vrai pour tous les nuds T 2 T (X; Y ).
X Y Y X Z
Z Z Z X Y
Y X
Fig. 12.4 { Les dierents types de nuds sur un chemin non oriente entre X et Y : les deux
premiers sont en serie, le troisieme est convergent et le quatrieme divergent. Les
pointilles non eches representent un sous-chemin non oriente.
L'equivalence entre l'independance conditionnelle et la d-separabilite peut s'etendre a des

ensembles de nuds par la denition suivante :
Denition 12.4
On dit que deux ensembles de nuds X et Y sont d-separes par un ensemble de nuds Z si
8X 2 X ; 8Y 2 Y : X et Y sont d-separes par Z

On a alors le theoreme etendu :
Theoreme 12.3
X et Y sont d-separes par Z si et seulement si X et Y sont conditionnellement independants
sachant Z : P (X ; YjZ ) = P (XjZ )P (YjZ ).
Exemple 9 (Retour sur l'exemple)

En reprenant l'exemple 12.3, on constate par exemple que SA et ZO sont conditionnellement
independantes sachant FN . Ces deux nuds sont en eet d-separables par Z = fFN g. Le nud
FN 2 Z est sur le chemin non oriente SA FN CP ZO ; c'est un nud divergent.
Utilisation de la d-separation
Le calcul des sous-ensembles de nuds conditionnellement independants pemet ainsi de sim-
plier les calculs d'inference. Lorsque l'on cherche a maximiser les independances conditionnelles
dans un graphe, on arrive a la notion de polyarbres.
X Y
Z Z X Y
Z Z
X Y Y X
Fig. 12.5 { Les quatre congurations servant a denir la d-separation. La zone grisee represente
l'ensemble Z . Les pointilles eches representent un sous-chemin oriente.
E B
Données + Appren- R A
E B P(A | E,B)
e b .9 .1
connaissances tissage C e b .7 .3
a priori e b .8 .2
e b .99 .01
Fig. 12.6 { Un reseau bayesien comprend a la fois une structure et des parametres associes
aux nuds de cette structure (les probabilites conditionnelles). L'apprentissage
consiste a estimer les parametres et parfois aussi la structure a partir de donnees et
eventuellement de connaissances prealables.
12.3 L'apprentissage des reseaux bayesiens

L'apprentissage consiste a trouver un reseau bayesien modelisant les donnees disponibles en
s'appuyant eventuellement sur les connaissances a priori disponibles (voir la gure 12.6). Quatre
grandes familles de problemes sont rencontrees qui correspondent a des classes de methodes
d'apprentissage speciques.
Structure connue Structure inconnue
Estimation statistique Optimisation discrete sur les

Donnees completes parametrique structures (algorithmes de
recherche discrete)
Donnees Optimisation parametrique (EMCombinaison de methodes

incompletes (EM, descente de gradient,...) structurelle, melange de
modeles,...)
Nous examinons tour a tour ces dierents types de problemes.
12.3.1 Apprentissage avec structure connue et donnees completes
Dans le cas ou la structure du reseau est connue (grâce a un expert par exemple), le probleme
est d'estimer les parametres de ce reseau, c'est-a-dire les tables de probabilites conditionnelles
en chaque nud. Il s'agit de trouver le reseau le (( plus proche )) de la loi de probabilite ayant
engendre les donnees. Cette tâche est proche de celle consistant a estimer un parametre
permettant de modeliser les donnees S = (x1 ; x2 ; : : : ; xm ) par une distribution: p(Sj).
En general, le choix du parametre depend du choix de la famille de distributions de probabi-
lites : multinomiale, Gaussienne, de Poisson, etc. Mais le principe est toujours celui de chercher
la valeur du parametre maximisant la fonction de vraisemblance 4 :
Y
m
L( : S ) = P (Sj) = P (z i j)
i=1
Dans le cas d'un reseau bayesien, la vraisemblance s'ecrit en prenant en compte les independances
conditionnelles des nuds nj en fonction de leurs parents Paj . On aura ainsi pour m donnees
xi, chacune etant decrite sur d attributs (soit ici d nuds du reseau) :
Y
m Y
m Y
d
L( : S ) = P (xi (1); : : : ; xi(d) : ) = P (xi(j )jPaj : j )
i=1 i=1 j =1
Yd Ym Y d
= P (xi (j )jPaj : j ) = Lj (j : S)
j =1 i=1 j =1
ou xi (j ) represente la jeme coordonnees de la donnee xi .
La vraisemblance se decompose selon la structure du reseau. De ce fait, on a aaire main-
tenant a plusieurs problemes independants d'estimation de vraisemblance : le probleme est fac-
torise. Si les parametres de chaque famille ne sont pas relies, ils peuvent être estimes indepen-
damment les uns des autres.
Nous avons examine ci-dessus le probleme comme celui de l'estimation de la valeur la plus
probable du parametre : il s'agit la de l'approche du maximum de vraisemblance. Nous pour-
rions aussi envisager ce probleme comme celui de l'estimation de densite et non plus de sa
valeur la plus probable. C'est l'approche de l'estimation bayesienne. Nous n'en donnons pas le
detail dans la cas present, mais le principe general est decrit dans le chapitre 17.
Dans tous les cas, il faut avoir recours a des frequences calculees pour estimer les probabilites
conditionnelles. Nous illustrons cela ci-dessous.
Exemple 10 (Estimation de probabilites conditionnelles par frequence)
On suppose ici posseder la structure du reseau et chercher a estimer les probabilites condition-
nelles necessaires. Pour realiser cette estimation, on dispose d'un certain nombre d'observations
sur les variables, c'est-a-dire d'exemples de son comportement.
4. Des details sur le principe du maximum de vraisemblance gurent dans les chapitres 2 et 14.
Reprenons l'exemple de la Figure 12.3, en supposant disposer de la table suivante des obser-
vations :
SA CP FN ZO Nombre d'exemples
V RAI V RAI V RAI V RAI 54
V RAI V RAI V RAI FAUX 1
V RAI FAUX V RAI V RAI 7
V RAI FAUX V RAI FAUX 27
FAUX V RAI V RAI V RAI 3
FAUX FAUX V RAI FAUX 2
FAUX V RAI FAUX V RAI 4
FAUX FAUX FAUX FAUX 2
100
Prenons le nud CP du reseau, dont les parents sont FN et ZO. Nous cherchons a estimer
les huit valeurs P (CP jFN; ZO), P (CP j:FN; ZO), : : : , P (:CP j:FN; :ZO). Par exemple,
P (CP jFN; :ZO) sera estimee en comptant dans la table le nombre d'exemples pour lesquels CP
est V RAI , FN est V RAI et ZO est FAUX , divise par le nombre d'exemples pour lesquels FN
est V RAI et ZO est FAUX . Cette estimation s'ecrit donc : Pb(CP jFN; :ZO) = 1+27+2
1 = 0:033
On trouve ainsi, pour completer :
Pb(FN ) (54 + 1 + 7 + 27 + 3 + 2)=100 = 0:94
Pb(ZO) (54 + 7 + 4 + 4)=100 = 0:69
Pb(SA j FN ) (54 + 1 + 7)=(54 + 1 + 7 + 27 + 3 + 2) = 0:66
bP (SA j :FN ) 0=(4 + 2) = 0:0
bP (CP j FN; ZO) 54=(54 + 7 + 3) = 0.84
Pb(CP j FN; :ZO) 1=(1 + 27 + 2) = 0:033
bP (CP j:FN; ZO) 0=4 = 0:0
bP (CP j:FN; :ZO) 0=2 = 0:0
12.3.2 Apprentissage avec structure inconnue et donnees completes
Il se peut que nous ne disposions pas de modele des independances conditionnelles entre
variables a priori. Il faut alors apprendre a la fois le reseau bayesien encodant ces independances
et les parametres associes. L'apprentissage de la structure du reseau est interessante a plusieurs
titres :
Cela peut conduire a une meilleure generalisation a partir des donnees. En eet, le reseau
encode des independances, ce qui signie qu'il y a moins de parametres a apprendre, et
donc un espace d'hypotheses plus contraint.
Cela permet d'obtenir des proprietes structurales inaccessibles avec d'autres representa-
tions non structurees. On peut ainsi mettre a jour des independances, mais aussi des
relations de cause a eet entre variables.
Il existe deux grandes familles d'approches pour apprendre la structure d'un reseau bayesien
a partir de donnees :
1. Les approches basees sur les contraintes. Le principe en est de tester les independances
conditionnelles, et de chercher une structure de reseau coherente avec les dependances et
independances observees.
2. Les approches utilisant une fonction de score. Dans ces approches, un score est
associe a chaque reseau candidat, mesurant l'adequation des (in)dependances encodees
dans le reseau avec les donnees. On cherche alors un reseau maximisant ce score.
Ces deux familles d'approches sont bien fondees (du point de vue des statistiques), c'est-a-
dire qu'avec susamment de donnees, l'apprentissage converge vers une structure correcte dans
les deux cas. Cependant les premieres sont sensibles aux erreurs dans les tests d'independance,
tandis que pour les secondes la recherche d'une structure optimale est un probleme NP-dicile.
Les approches utilisant une fonction de score etant les plus utilisees, nous nous concentrons
sur celles-ci dans la suite.
12.3.2.1 Les fonctions de score
Le score naturel pour evaluer une structure est sa vraisemblance. Sans entrer dans les details
de sa derivation, celle-ci peut s'ecrire :
I (G : S ) = log L((G : S )
X
d ;
=m I (x(j ) : PaG(j )) ; H (z(j ))
j =1
ou H (X ), l'entropie, mesure combien X encode d'information et ou I (X ; Y ) est l'information
mutuelle entre les variables X et Y et mesure l'information que chaque variable fournit sur
l'autre variable (I (X ; Y ) 0, I (X ; Y ) = 0 ssi X et Y sont independantes, et I (X ; Y ) = H (X )
ssi X est totalement predictible connaissant Y ).
Cette formule est seduisante car elle correspond bien a une mesure intuitive de la qualite du
reseau : elle favorise les structures dans lesquelles les variables sont maximalement dependantes
de leurs parents, ce qui est ce que l'on veut.
Malheureusement, ce score conduit a preferer les reseaux trop proches des donnees car il est
toujours meilleur d'ajouter un arc (puisque I (X ; Y ) I (X ; Y; Z )). De ce fait, il y a risque de
surapprentissage, c'est-a-dire que le reseau encode des correlations accidentelles dans les donnees,
qui ne correspondent pas a des regularites vraies. C'est pourquoi il faut utiliser des techniques
permettant de combattre ce phenomene, c'est-a-dire permettant de contrôler l'induction (voir
les chapitres 2, 3 et 17).
Restriction de l'espace d'hypotheses. Par exemple en limitant le nombre de parents possibles
pour chaque nud ou le nombre de parametres dans les tables de probabilites condition-
nelles.
Regularisation par utilisation du principe de description minimale (MDLp). Ce principe
est decrit plus precisement dans le chapitre 17, mais il consiste essentiellement a chercher
un compromis entre l'adequation aux donnees et la complexite du modele choisi pour en
rendre compte.
Estimation bayesienne. (voir chapitre 17). Il s'agit de faire une moyenne sur toutes les
valeurs de parametres possibles.
On peut aussi verier la qualite du reseau appris en utilisant une technique de validation
par un ensemble test (voir chapitre 3).
D'autres techniques de contrôle de l'espace d'hypotheses et de selection de modeles existent
(voir le chapitre 17). Elles sont moins utilisees pour l'apprentissage de reseaux bayesiens.
Le score le plus frequemment utilise est celui du principe de description minimale (MDLp).
Selon le MDLp, il faut choisir le reseau B tel que la somme de la longueur de description du
reseau et celle des donnees encodees a l'aide de B soit minimale. Ce principe conduit a chercher
un reseau juste assez complexe pour pouvoir raisonnablement decrire les donnees en l'utilisant.
La description d'un reseau B implique celle du graphe G et celle de l'ensemble des distributions
de probabilites conditionnelles associees P . D'ou la formule a minimiser sur B :

L(S ) = L(B) + L(SjB) = L(G) + L(P ) + L(SjB)
Pour decrire le graphe acyclique oriente G, il sut de coder pour chaque variable Xj une
description de ses parents Pa(j ). Pour cela, il faut coder le nombre k de parents et; l'index de
l'ensemble Pa(j ) dans l'enumeration de tous les ensembles;de taille k parmi n nuds nk . Comme
k peut être code en utilisant log n bits et l'index par log nk bits, la longueur de description de
la structure est :
X n
L(G) = log n + log jPa(j )j
j
;
ou les log sont en base 2 pour obtenir une longueur en bits, et ou nk represente en notation
americaine le nombre de combinaisons de n elements pris k a k.
Pour decrire P , il faut coder les parametres de chaque table de probabilites conditionnelles
associees a chaque nud. Pour la table associee a une variable Xj , il faut coder kPa(j )k(kXj k;1)
parametres. La longueur de description de ces parametres depend du nombre de bits utilises pour
coder chaque parametre numerique. Le choix usuel est 1=2 log m (voir [M.99], p.428). D'ou :
L(Xj ; Pa(j )) = 21 kPa(j )k (kXj k ; 1) log m
Pour decrire les donnes, on utilise la mesure de probabilite denie par le reseau B pour
construire un code de Human pour les exemples dans S . Dans ce code, la longueur de chaque
mot de code depend de la probabilite assignee a cet exemple. Cette longueur de description est
ainsi approximee par :
X
m
L(SjB) = ; log PB (x)
i=1
P
que l'on peut reecrire apres calculs ([M.99], p.429)) : m j H (Xj jPa(j ))
D'ou l'expression nale de la longueur totale de description associee a un reseau B et des
donnees S :
X n 1 X
L(S ) = log n + log jPa(j )j + 2 kPa(j )k (kXj k ; 1) log m + m H (Xj jPa(j ))
j j
qui a l'avantage d'être decomposable et donc de se prêter a des methodes de recherche locale,
ou l'on cherche a ameliorer le score par des modications de chaque nud.
12.3.2.2 L'apprentissage avec une fonction de score
Une fois un score deni sur les reseaux, l'apprentissage consiste a trouver le reseau minimisant
ce score. Malheureusement, les resultats actuels suggerent qu'il s'agit la d'un probleme NP-
dicile. En eet, le nombre de graphes est plus qu'exponentiel en fonction du nombre (donne)
de variables. Il faut donc avoir recours a des techniques d'exploration heuristiques. Nous ne
discutons ici que de la plus simple : la descente de gradient.
La demarche consiste a demarrer avec un reseau (souvent le reseau vide) et a appliquer
iterativement sur le reseau candidat courant l'operateur (par exemple ajout ou retrait ou inver-
sion d'arc) conduisant au meilleur accroissement du score. Cette procedure est repetee jusqu'a
ce qu'un maximum (local) soit atteint. Les resultats experimentaux montrent que cette tech-
nique est souvent tres ecace malgre son caractere myope et glouton. L'un des problemes est
de verier que l'on conserve a chaque pas un graphe acyclique oriente. Le choix de la direction
d'un arc est egalement un probleme non trivial a resoudre.
D'autres techniques incluent la recherche tabou, le recuit simule, etc. (voir le chapitre 3).
12.3.3 Apprentissage en presence de donnees incompletes

Il arrive frequemment que les donnees reelles soient incompletes, c'est-a-dire que des variables
utiles ne soient pas mesurees. Cela peut se produire en raison de valeurs manquantes (par exemple
tous les patients rentrant a l'hôpital ne subissent pas les mêmes examens), mais aussi parce que
des variables sont inobservables ou insoupconnees comme c'est le cas lorsqu'un phenomene est
mal connue et que des variables causales sous-jacentes sont ignorees. On parle alors de variables
latentes ou de variables cachees.
Le probleme est que l'absence de ces variables non seulement obscurcit la comprehension des
dependances propres au domaine, mais peut egalement conduire a apprendre trop de parametres
comme le montre la gure 12.7.
X1 X2 X3 X1 X2 X3
Y1 Y2 Y3 Y1 Y2 Y3
Fig. 12.7 { L'absence d'une variable peut conduire a avoir a estimer 59 parametres (a droite)
au lieu de 17 (a gauche). (D'apres un tutoriel de Nir Friedman).
La recherche de variables latentes est l'un des plus gros problemes en apprentissage de reseaux
bayesiens.
12.3.4 Apprentissage avec structure connue et donnees incompletes

La dierence essentielle avec l'apprentissage de parametres en presence de donnees completes
est que le probleme de trouver les parametres correspondant au maximum de vraisemblance
est qu'il s'agit maintenant d'un probleme d'optimisation non lineaire avec potentiellement de
tres nombreux optima locaux. Les methodes en descente de gradient deviennent donc plus
problematiques. On utilise generalement une methode EM (Expectation-Maximization). (Voir
gure 12.8).
La methode EM est decrite dans l'annexe 18.9. Nous l'illustrons ici sur l'exemple vu plus
haut.
Exemple 11 (Methode EM pour les reseaux bayesiens)
Reprenons l'exemple precedent en supposant que les informations que nous possedons sont
incompletes, c'est a dire que certaines instanciations des variables sont inconnues. Dans cet
Itérer
Réseau initial (G,Pi )
Nombres estimés Nouveau réseau (G,Pi+1 )
X1 X2 X3
N(X 1) X1 X2 X3
(E-Step) N(X 2 )
H (M-Step)
N(X 3 )
H
N(H, X 1, X 1, X 3 ) Reparamétrisation
Y1 Y2 Y3 Estimation
+ N(Y 1, H)
N(Y 2 , H)
Y1 Y2 Y3
N(Y 3 , H)
Données
d'apprentissage
Fig. 12.8 { Principe general de la methode EM . (D'apres un tutoriel de Nir Friedman).
exemple, trois valeurs manquent : elles sont indiquees par (( ? )).

V RAI V RAI V RAI V RAI 54
V RAI V RAI V RAI FAUX 1
? ? V RAI V RAI 7
V RAI FAUX V RAI FAUX 27
FAUX V RAI ? V RAI 3
FAUX FAUX V RAI FAUX 2
FAUX V RAI FAUX V RAI 4
FAUX FAUX FAUX FAUX 2
100
Est-il encore possible de realiser une estimation rationnelle des probabilites conditionnelles ca-
racteristiques? La reponse (positive) est donnee par l'utilisation de l'algorithme EM (voir l'an-
nexe 18.9). Mais il faut d'abord transformer un peu le probleme.
Prenons les trois exemples pour lesquels il manque la valeur de B . Dans le tableau des
donnees, en tenant compte de ce que P (:FN j:SA; CP; ZO) = 1 ; P (FN j:SA; CP; ZO), on
peut les remplacer par les (( exemples virtuels )) suivants :
FAUX V RAI V RAI V RAI 3 P (:FN j:SA; CP; ZO)
FAUX V RAI V RAI V RAI 3 (1 ; P (FN j:SA; CP; ZO))
100
Ceci appelle deux remarques : d'abord que le (( nombre )) de certains exemples n'est plus
entier ; mais cela ne gêne pas les calculs. Ensuite, que la valeur P (:FN j:SA; CP; ZO) est
inconnue et que pour la calculer par les techniques d'inference, il faudrait conna^tre toutes les
probabilites conditionnelles caracteristiques du reseau.
Cette seconde objection para^t insurmontable ; en realite, l'algorithme EM est capable d'es-
timer iterativement la valeur cachee P (:FN j :SA; CP; ZO). La technique est la suivante. Sup-
posons cette valeur connue ; on peut completer l'ensemble d'apprentissage comme ci-dessus, par
des exemples virtuels. Cet ensemble etant maintenant complet, on peut appliquer les methodes
d'inference du paragraphe precedent pour estimer les probabilites conditionnelles caracteristiques
du reseau... parmi laquelle se trouve la valeur inconnue P (:FN j:SA; CP; ZO). Cette nouvelle
valeur sert a fabriquer un nouvel ensemble d'apprentissage, et ainsi de suite jusqu'a stabilisation
de la valeur inconnue.
Le même raisonnement peut s'appliquer aux deux valeurs manquantes des sept exemples
pour lesquels on a FN = V RAI et ZO = V RAI . Mais ici, il y a deux valeurs cachees 5 :
P (SA; CP jFN; ZO) et P (SA; :CP j FN; ZO) 6 .
La raison de la convergence de l'algorithme EM est esquissee dans l'annexe 18.9, mais la
preuve complete sur ce cas particulier des reseaux bayesiens est hors du champ de cet ouvrage.
D'autres exemples sont egalement developpes dans cette annexe. D'autres applications de cet
algorithme a l'apprentissage se trouvent au chapitre 13, qui traite des Modeles de Markov caches
et au chapitre 15, dont le sujet est la classication non supervisee.
12.3.5 Apprentissage avec structure inconnue et donnees incompletes

L'apprentissage de structure en presence de donnees incompletes conjugue tous les problemes
examines plus haut. Pour le moment, il s'agit surtout d'un domaine de recherche avec des
methodes encore en cours de conception et d'examen.
L'approche la plus simple est de combiner les methodes utilisees pour l'apprentissage de
parametres et l'apprentissage de structure. L'idee est pour chaque structure G d'estimer les
parametres optimaux P en utilisant soit une technique de descente de gradient, soit une technique
EM , puis une fois cela fait, on associe un score a G. On examine alors les graphes obtenus a
partir de G avec des operateurs de changement de structure, et on choisit celui ayant le meilleur
score.
Le probleme majeur de cette approche est son coût computationnel tres eleve. Elle n'est
praticable que pour de tres petits reseaux.
Une autre approche a ete proposee utilisant une generalisation de la methode EM : l'EM-
structurel. L'idee est d'utiliser les parametres trouves pour les structures precedentes pour aider
a evaluer de nouvelles structures portant sur le même ensemble de variables aleatoires.
Le principe general en est le suivant (voir la gure 12.9) :
1. Eectuer une recherche dans l'espace des structures et des parametres.
2. Utiliser des iterations a la EM, en employant la meilleure solution precedemment trouvee
comme d'une base pour soit :
trouver les meilleurs parametres (en fonction du score) : EM (( parametrique ))
trouver la meilleure structure (en fonction du score) : EM (( structurel )).
Realisations industrielles
Les reseaux bayesiens possedent plusieurs proprietes qui les rendent interessants pour des
applications :
Ils s'adaptent sans probleme aux bases de donnees incompletes.
Ils sont concus pour rendre compte de relations causales.
Ils permettent d'integrer des connaissances du domaine et des donnees plus facilement que
beaucoup d'autres techniques.
5. Pour un exemple ayant K valeurs inconnues, il y a 2K;1 valeurs cachees.
6. Il y a en realite quatre probabilites conditionnelles inconnues, mais les deux autres, P (:SA; CP jFN; ZO) et
P (:SA; :CP jFN; ZO) se deduisent des deux premieres.
Nombres estimés
Estimation Mesure de score &
N(X 1) Reparamétrisation
X1 X2 X3 N(X 2 )
N(X 3 ) X1 X2 X3
N(H, X 1, X 1, X 3 )
H (E-Step) (M-Step)
N(Y 1, H) H
Y2
N(Y 2 , H)
Y1 Y3
N(Y 3 , H) Y1 Y2 Y3
+
N(X 2, X1)
N(H, X 1, X 3 )
X1 X2 X3
N(Y 1, X 2 )
Données
N(Y 2 , Y 1, H)
d'apprentissage H
Y1 Y2 Y3
Fig. 12.9 { Principe general de la methode EM -structurel. (D'apres un tutoriel de Nir Fried-
man).
Par leur parente avec les approches d'induction bayesienne, ils sont mieux armes pour
eviter les problemes de surapprentissage (voir le chapitre 3).
Si chacun de ces points peut être soumis a discussion, il n'en reste pas moins que les reseaux
bayesiens sont des modeles tres seduisants.
Nous reprenons ici brievement, en particulier, quelques unes des applications que detaillent
Becker et Naim ([BN99], chapitre 9). Peu utilisent les fonctions d'apprentissage : il est certain
que, compte tenu du nombre deja grand d'applications, cet aspect ne peut qu'être appele a se
developper. Pour donner un ordre de grandeur, certains reseaux fonctionnent actuellement avec
plusieurs milliers de nuds 7.
La compagnie AT&T a mis en place un reseau bayesien pour la detection des mauvais
payeurs, a partir d'une base de donnees de plusieurs millions d'appels.
La NASA utilise un systeme graphique pour suivre en temps reel les parametres de contrôle
des moteurs.
La societe Ricoh utilise des reseaux bayesiens pour le diagnostic de ses appareils de pho-
tocopie.
L'investissement de Microsoft dans les reseaux bayesien est important, tant en ce qui
concerne le developpement de logiciels que la recherche. Les applications visees sont : le
diagnostic sur les reseaux, l'aide a l'utilisateur (le (( trombone )) d'Oce en est en exemple),
la validation de gros logiciels, etc.
Et beaucoup d'applications dans le domaine de la sante, du militaire, etc.
7. Un reseau a ete mis au point a Stanford pour modeliser le fonctionnement de la cellule. Il comporte vingt-deux
millions de nuds !
Les reseaux bayesiens sont nes des travaux de J. Pearl ([Pea88]). Il est interessant de noter que dans
son dernier ouvrage ([Pea00]), il considere cette technique comme mal fondee theoriquement. Les annees
1990 ont vu le developpement des theories et des realisations, ces dernieres en tres grand nombre (voir ci-
dessous). Les concepts les plus amont regroupent les Hmm, les reseaux bayesiens et les reseaux connexion-
nistes sous le terme general de (( modeles graphiques )). Il est possible que cette vision tres generale
permette d'envisager des algorithmes d'apprentissage plus puissants, mais cette unication theorique ne
semble pas avoir encore porte de fruits, sur le plan algorithmique du moins. Les reseaux bayesiens sont
actuellement l'objet de gros projets de recherche et de developpement. Ces outils sont encore loin d'avoir
montre toutes leurs possibilites.
Le texte de ce chapitre a ete fortement inspire par l'ouvrage remarquable (et pas seulement sur ce
sujet) de N. Nilsson ([Nil98]). Le livre d'Ann Becker et Patrick Nam [BN99] est une introduction tres
recommandable aux principes et aux applications de ces outils.
Resume
Les reseaux bayesiens sont des modeles permettant de decrire les relations de pro-
babilites conditionnelles entre des faits. Cette representation repose sur un graphe
oriente sans cycle (DAG) dans lequel chaque nud, c'est-a-dire chaque variable du
monde modelise, possede une table de probabilites conditionnelles, et ou chaque arc
represente une dependance directe entre les variables reliees. Ces reseaux representent
alors la distribution de probabilites jointes de l'ensemble des variables de maniere
compacte, en s'appuyant sur les relations d'independance conditionnelle.
Moyennant une propriete locale d'independance, il est possible d'eectuer le calcul de
la probabilite de tout groupe de faits connaissant tout autre groupe.
L'apprentissage automatique des valeurs des probabilites conditionnelles peut se faire
a partir d'un ensemble d'apprentissage, même incomplet, si la structure du reseau est
donnee.
Il existe aussi des techniques pour apprendre a la fois l'architecture et les probabi-
lites conditionnelles denissant completement un reseau bayesien. On recense deux
grandes familles de methodes d'apprentissage de reseaux bayesiens: celles utilisant les
independances conditionnelles pour construire le reseau et celles denissant un score
permettant de guider la recherche d'un reseau en accord avec les donnees.
384
PARTIE 3 : Apprentissage par optimisation
Chapitre 13
L'apprentissage de modeles de
Markov caches
Quand les objets sur lesquels porte l'apprentissage sont des sequences d'evenements,
le concept extrait doit re eter a la fois la nature de ces evenements et la maniere dont
ils s'encha^nent. On a deja vu au chapitre 2 et au chapitre 3 des exemples d'objets
de structure sequencielle. On a vu aussi au chapitre 7 des methodes pour extraire
des concepts sous forme de grammaires a partir d'exemples et de contre-exemples.
Nous presentons dans ce chapitre un outil puissant pour induire un concept de nature
statistique a partir seulement de sequences d'apprentissage appartenant a ce concept :
les modeles de Markov caches, ou Hmm 1 .
Par leur nature statistique, les Hmm se situent facilement dans le cadre de la decision
bayesienne, qui a ete presente au chapitre 2. En particulier, le principe du maximum
de vraisemblance a posteriori (MAP) prescrit d'attribuer une sequence inconnue a la
classe qui a la plus grande probabilite de l'avoir engendree. L'apprentissage consiste
donc dans ce cadre a apprendre pour chaque classe de sequences le Hmm le plus vrai-
semblable. En pratique, le probleme revient a apprendre independamment un Hmm
par classe, sans tenir compte des contre-exemples.
1. En anglais : Hidden Markov Models.

386
evenons sur l'etang ou nagent des oies et des cygnes. L'ornithologue que nous avons
R connu debutant au commencement de ce livre est maintenant plus experimente. Ce

matin, il arrive tres tôt pour observer les oiseaux se poser. La veille, il etait venu
dans la matinee, quand tous les animaux etaient la et il avait observe une trentaine
de cygnes et environ quatre-vingt oies. Il espere donc voir arriver une bonne centaine d'oiseaux.
De fait, les vols commencent et il y a bientôt sur le lac les premiers oiseaux. Mais pas dans
la proportion attendue : vingt cygnes et quatre oies se sont d'abord poses. Dans les minutes qui
suivent, une dizaine d'oiseaux se posent, moitie oies, moitie cygnes. Finalement, arrive le reste
de la troupe des oies, soit environ soixante-dix elements, et de temps en temps un cygne. Au
total, ces derniers sont nalement une trentaine.
L'observateur comprend alors que les deux especes n'ont pas les mêmes habitudes : les cygnes
sont plus matinaux, ce qui explique que la proportion entre les deux especes varie enormement
dans le temps d'arrivee. En notant O l'arrivee d'une oie et C celle d'un cygne, et en mettant un
intervalle entre les trois phases d'arrivee, la sequence observee peut se denoter ainsi :
CCCCCCOCCCCOCCCOCCCCOCO OCCOCOOOCC
OOOOCOOOOOOOOOOOOOOCOCOOOCOOOOOOOOOOOOOOOOO
Comment decrire ce phenomene? Attention : il ne s'agit pas seulement d'apprendre cette

sequence par cur. Il faut tenir compte du fait que l'ordre exact d'arrivee des oiseaux ne se
reproduira pas exactement a l'identique chaque matin : certains oiseaux ne viendront pas, cer-
tains voleront plus ou moins vite, etc. Si l'ornithologue veut expliquer ce qu'il observe et predire
ce qu'un autre pourra observer, il doit donc faire l'apprentissage d'un concept qui decrive de
maniere satisfaisante les proprietes de telles sequences.
Si cet avimateur a lu le chapitre qui suit, il produira peut-être un concept exprime sous la
forme du tableau et du graphique (gure 13.1) qui sont donnes ci-dessous.
Probabilite d'observer un cygne Probabilite d'observer une oie
Periode 1 0.8 0.2
Periode 2 0.5 0.5
Periode 3 0.1 0.9
25/26 8/9 88/89
1/26 1/9 1/89

Periode 1 Periode 2 Periode 3
Fig. 13.1 { Comment les cygnes et les oies arrivent sur l'etang.
Comment interpreter ce modele ? Le cercle etiquete (( periode 1 )) correspond a la phase

d'arrivee majoritaire des cygnes, celui etiquete (( periode 2 )) au moment ou les populations sont
en frequence d'arrivee egale, et le dernier a l'arrivee massive des oies (avec quelques cygnes
parmi elles). La succession temporelle se traduit par un parcours de gauche a droite en suivant
les eches, avec la regle que chaque passage dans un etat correspond exactement a l'observation
d'un oiseau, cygne ou oie. Quand on est dans un cercle (appelons-le desormais un etat), on a
deux solutions : soit y rester en faisant une boucle locale, soit passer au suivant. Le passage
d'un etat a lui-même ou au suivant est commande par le chire situe sur la eche, qui est une
Chapitre 13 L'apprentissage de modeles de Markov caches 387
probabilite. Par exemple, dans l'etat 1, la probabilite de passer a l'etat 2 est de 1=26, celle de
rester dans l'etat 1 est de 25=26.
Et les oiseaux? Leur observation est commandee par la table donnee au-dessus du graphe
des etats. Chaque passage dans l'etat 1 correspond avec une probabilite de 0:8 a l'observation
d'un cygne et donc de 0:2 a celle d'une oie. Dans l'etat 2, l'observation est equiprobable. Quand
on est dans l'etat 3, il est 9 fois plus probable d'observer une oie qu'un cygne.
Faisons maintenant un petit calcul. Combien d'oiseaux sont en moyenne observes pendant
le sejour dans l'etat 1? Environ 25, selon une formule simple du calcul des probabilites 2. Par
consequent, compte tenu des proportions aectees par le tableau, on observera en moyenne
0:8 25 = 20 cygnes et 0:2 25 = 5 oies durant la premiere periode representee par cet etat.
Un calcul analogue montre que la duree moyenne de sejour dans l'etat 2 est d'environ 8 : on y
observera donc (en moyenne) 4 cygnes et 4 oies. Finalement, comme la probabilite de bouclage
dans l'etat 3 est la plus forte, on y reste en moyenne plus longtemps (le calcul donne 88) et on
observe, toujours en moyenne, 80 oies et 8 cygnes.
Au total, la sequence moyenne engendree par ce modele comporte une trentaine de cygnes
et presque trois fois plus d'oies, avec une proportion d'arrivees des cygnes beaucoup plus forte
au debut qu'a la n.
Comme nous allons le voir, le concept decrit ci-dessus est un cas particulier de modele de
Markov cache (Hmm). Dans un tel modele, une sequence est donc consideree comme une suite
temporelle geree par ses etats. A chaque instant, un nouvel evenement de la sequence est analyse.
La theorie des Hmm decrit comment passer d'etat en etat a l'aide de probabilites de transitions
et comment chaque element de la sequence peut être emis par un etat du Hmm, a l'aide de
probabilites d'observation par etat. Il permet aussi de calculer la probabilite qu'une sequence
donnee ait ete emise par un Hmm donne.
Les methodes Hmm sont robustes et ables grâce a l'existence de bons algorithmes d'appren-
tissage ; de plus, la regle de decision est rapide a appliquer.
2. Si x est la probabilite de boucler dans un etat et 1 ; x celle d'en sortir, la duree moyenne de sejour dans cet etat
vaut (1;x x) .
n Le nombre d'etats du modele de Markov cache, ou Hmm

S = fs1 ; s2; : : : sng Les etats du Hmm
M La taille de l'alphabet des observations
quand celles-ci sont de nature discrete
V = fv1 ; v2 ; : : : ; vM g L'alphabet des observations
A La matrice des probabilites de transitions entre les etats
aij , i; j 2 [1; n] Un element de A
B La matrice des probabilites d'observation des symboles de V
bj (k), j 2 [1; n],k 2 [1; M ] Un element de B
Le vecteur des probabilites initiales du Hmm

= (A; B; ) Un Hmm
T La longueur d'une sequence observee
O = O1 : : : Ot : : : OT Une sequence observee
avec Ot 2 V
O[i : j ] = Oi : : : Oj Une sous-sequence de O
q1 : : : qt : : : qT avec qt 2 S La suite des etats qui a emis une sequence
P (O j ) La probabilite que le Hmm ait emis la sequence O
O = O1 : : : Om Un ensemble d'apprentissage compose de m sequences
P ( j O) La probabilite que l'ensemble de sequences O
ait ete emis par le Hmm .
13.1 Les modeles de Markov observables

Avant de decrire les Hmm proprement dits, nous presentons un modele probabiliste plus
simple pour l'observation de sequences : les modeles de Markov observables.
D'une maniere generale, un processus ou modele stochastique observable est un processus
aleatoire qui peut changer d'etat si; i = 1; : : : ; n au hasard, aux instants t = 1; 2; : : : ; T .
Le resultat observe est la suite des etats dans lesquels il est passe. On peut aussi dire de ce
processus qu'il emet des sequences d'etats S = s1 ; s2 ; : : : ; sT . Chaque sequence est emise avec
une probabilite P (S ) = P (s1 ; s2 ; : : : ; sT ). Pour calculer P (S ), il faut se donner la probabilite
initiale P (s1 ) et les probabilites d'être dans un etat st , connaissant l'evolution anterieure.
Un processus stochastique est markovien 3 (ou de Markov) si son evolution est entierement
determinee par une probabilite initiale et des probabilites de transitions entre etats. Autrement
dit, en notant (qt = si ) le fait que l'etat observe a l'instant t est si
8t; P (qt = si j qt;1 = sj ; qt;2 = sk : : : ) = P (qt = si j qt;1 = sj )
d'ou :
P (q1 : : : qT ) = P (q1 ) P (q2 j q1) : : : P (qT j qT ;1)
Nous supposons pour simplier que les processus de Markov auquels nous avons aaire sont
stationnaires c'est-a-dire que leurs probabilites de transition ne varient pas dans le temps. Cela
autorise a denir une matrice de probabilite de transitions A = [aij ] telle que :
aij = P (qt = sj j qt;1 = si ) 1 i n; 1 j n
3. Au sens strict : markovien d'ordre 1.
avec :
8i; j aij 0; 8i jj==1naij = 1
Nous appellerons maintenant pour simplier modele de Markov observable un processus stochas-
tique observable, markovien et stationnaire.
Dans un tel modele, il y a un lien direct a tout instant entre l'etat ou se trouve le processus et
l'observation faite a cet instant, comme l'illustre la gure 13.2. C'est ce qui caracterise pour nous 4
le fait que ce processus soit observable. Nous allons maintenant voir comment nous debarasser de
cette contrainte en presentant d'autres processus stochastiques : les modeles de Markov caches.
Ensuite, nous comparons leur puissance de modelisation sur un exemple.
13.2 Les modeles de Markov caches (Hmm)

13.2.1 Denition

Le modele de Markov cache generalise le modele de Markov observable car il produit une
sequence en utilisant deux suites de variables aleatoires ; l'une cachee et l'autre observable.
La suite cachee correspond a la suite des etats q1; q2 ; : : : ; qT , notee Q(1 : T ), ou les qi
prennent leur valeur parmi l'ensemble des n etats du modele fs1 ; s2 ; : : : ; sn g.
La suite observable correspond a la sequence des d'observations O1 ; O2 ; : : : ; OT , notee
O(1 : T ), ou les Oi sont des lettres d'un alphabet de M symboles observables V =
fv1 ; v2 ; : : : ; vM g.
Par consequent, pour un Hmm, un etat n'est pas associe exclusivement a une lettre donnee
qu'il emettrait a coup sûr : chaque lettre a desormais une certaine probabilite d'être emise par
chaque etat. En outre, ce ne sont pas les etats qui sont observes, mais les lettres qu'ils emettent.
Une consequence importante est que l'on peut maintenant travailler avec des alphabets innis.
Une (( lettre )) est alors emise avec une certaine densite de probabilite, correspondant a une
distribution propre a chaque etat.
En pratique, on cherche a construire des Hmm representant des concepts dans l'espace de
representation des sequences. Nous prendrons ici pour simplier des sequences construites sur
un alphabet V = fv1 ; v2 ; : : : ; vM g de taille nie. Mais la remarque ci-dessus doit être gardee a
l'esprit : la taille de cet alphabet peut être innie, ce qui signie en pratique que chaque etat
peut emettre une variable continue ou un vecteur de IRd .
13.2.2 Pourquoi faut-il des variables cachees?
Montrons sur l'exemple de l'introduction la dierence entre le modele de Markov observable
et le modele de Markov cache. Quand on observe l'arrivee des oiseaux sur un etang, on obtient
une suite sur l'alphabet V = fO; Cg. Une sequence observee sera par exemple :
O=O O C O C O
Les probabilites a priori d'observer un cygne ou une oie peuvent être dierentes. La construc-
tion de deux types de modeles de Markov pour modeliser les sequences sur V va nous conduire a
preciser un certain nombre d'elements relatifs a la nature des etats, a leur nombre ainsi qu'aux
probabilites de transition et d'observation. Un modele de Markov observable pour ce probleme
est represente dans la Figure 13.2.
4. Si la même observation peut être aectee a plusieurs etats, on peut ameliorer la capacite de representation des
modeles observables. Nous ne discutons pas cette possibilite ici.
Etat 1 : Oie P(Oie)=p
P(Cygne)=1-p p
Etat 2 : Cygne 1-p
Fig. 13.2 { Le modele de Markov observable qui modelise la suite des observations des oies et
des cygnes.
Il est compose de deux etats ; chacun correspond directement a une observation possible : Oie
(O) ou Cygne (C). Dans ce modele, la suite d'etats associee a une sequence observee est facile a
determiner : l'observation de O correspond a l'etat 1 et l'observation de C correspond a l'etat 2.
Si la probabilite d'observer O a l'etat 1 est p = P (Oie), alors la probabilite d'observer C a l'etat
2 est 1 ; p. La probabilite d'observer la sequence O(1 : 6) = O O C O C O se calcule facilement ;
elle vaut :
p p (1 ; p) p (1 ; p) p = p4 (1 ; p)2
Elle est par consequent independante de l'ordre d'arrivee des oiseaux et ne tient compte que de
leur nombre dans la sequence. Ce modele n'exprime que les probabilites d'apparition a priori
des observations.
La gure 13.3, accompagnee du tableau 13.1 denit un modele de Markov cache (Hmm) a
deux etats.
1 a11
a12 a21
2 a22
Fig. 13.3 { Le Hmm a deux etats.
Etat 1 2
P(O) p1 p2
P(C) 1-p1 1-p2
Tab. 13.1 { Les probabilites d'emission du Hmm a deux etats.
Sans entrer encore dans les details, on voit qu'un Hmm est d'abord caracterise par une
probabilite aij de passer d'un etat a un autre, ensuite qu'a chaque etat est associee une probabilite
de generer O ou C. A chaque instant, il y a, non pas un, mais deux tirages aleatoires : le premier
pour tirer une lettre de l'alphabet des observations, le second pour changer d'etat. L'observation
d'une sequence de O et de C n'est donc plus directement liee a une suite unique d'etats. Par
exemple, comme on le voit sur la gure 13.3, la sequence O C C peut être engendree avec une
certaine probabilite (on verra plus loin comment on la calcule) par la suite d'etats 1 2 2 ou la
suite 2 2 2. Dans le modele presente, n'importe quelle suite d'etats peut en realite engendrer
n'importe quelle suite d'observations avec une certaine probabilite.
Cette dierence peut appara^tre inutilement subtile. En realite, elle est tres importante.
Precisons l'exemple pour mesurer la dierence de puissance de modelisation entre un modele
de Markov observable et un Hmm. Rappelons que la probabilite pour le modele de Markov
observable d'engendrer une sequence de longueur 2n comportant autant de O que de C est
exactement pn (1 ; p)n , independamment de la repartition des O et des C dans cette sequence.

Dans le cas du Hmm, en prenant a11 , p1 , a22 et p2 proches de 1, il est interessant de constater
que la phrase O O C C aura une forte probabilite d'être emise, alors que la phrase C C O O aura
une probabilite faible. Pourtant, ces deux phrases comportent le même nombre de O et de C.
D'une maniere generale, une phrase ayant plus de O dans sa premiere moitie aura une probabilite
plus forte que sa symetrique d'être emise par ce Hmm. Cet exemple peut convaincre que si le
Hmm est plus complexe que le modele observable, il a en retour la possibilite de representer des
concepts plus elabores. En l'occurence, avec deux etats, il est capable de representer qu'il y a une
dierence entre les instants d'arrivee des oies et ceux des cygnes 5 . On verra le developpement
de cet exemple au paragraphe 13.6.
Remarquons aussi ceci : bien que l'alphabet des sequences observables soit compose de deux
lettres, le Hmm n'a plus de raison d'avoir exactement deux etats. La gure 13.4, associee au
tableau 13.2, presente un Hmm a trois etats. Les remarques sur le Hmm a deux etats sont
encore valables : n'importe quelle suite d'etats de ce Hmm peut engendrer n'importe quelle suite
d'observations de O et C avec une certaine probabilite. Ajoutons la remarque suivante : puisqu'on
n'associe pas dans un Hmm un etat a une observation, il est possible de denir des observations
appartenant a un alphabet inni.
Etat 1 2 3
P(O) p1 p2 p3
P(C) 1-p1 1-p2 1-p3
Tab. 13.2 { Les probabilites d'emission du Hmm a trois etats.
13.2.3 Notations
Un Hmm est note = (A; B; ) et se denit par :
Ses etats, en nombre n, qui composent l'ensemble S = fs1 ; s2; : : : sng. L'etat ou se trouve
le Hmm a l'instant t est note qt (qt 2 S ).
M symboles observables dans chaque etat. L'ensemble des observations possibles (l'alpha-
bet) est note V = fv1 ; v2 ; : : : ; vM g. Ot 2 V est le symbole observe a l'instant t.
5. Pour être completement exact, un modele observable pourrait aussi representer une telle dependance. Avec deux
etats, on peut en realite representer quatre probabilites dierentes pour chaque sequence de deux observations
(O O, O C), etc. et donc traduire une dependance d'un evenement avec l'evenement precedent. En associant cette
remarque a celle faite en note de bas de page precedemment, on voit que le pouvoir d'expression des modeles
observables peut être augmente si on les sophistique : : : mais seulement sur des alphabets nis.
1 a11
a12 a21
2 a22 a13 a31
a23 a32
3 a33
Fig. 13.4 { Le Hmm a trois etats.
Une matrice A de probabilites de transition entre les etats : aij represente la probabilite
que le modele evolue de l'etat i vers l'etat j :
aij = A(i; j ) = P (qt+1 = sj j qt = si) 8i; j 2 [1 : : : n] 8t 2 [1 : : : T ]
avec :
X
n
aij 0 8i; j et : aij = 1
j =1
une matrice B de probabilites d'observation des symboles dans chacun des etats du modele :
bj (k) represente la probabilite que l'on observe le symbole vk alors que le modele se trouve
dans l'etat j , soit :
bj (k) = P (Ot = vk j qt = sj ) 1 j n; 1 k M
avec :
X
M
bj (k) 0 8j; k et : bj (k ) = 1
k=1
Un vecteur de probabilites initiales : = fi gi=1;2;:::;n. Pour tout etat i, i est la proba-
bilite que l'etat de depart du Hmm soit l'etat i :
i = P (q1 = si ) 1 i n
avec :
X
n
i 0 8i et : i = 1
i=1
Un ou plusieurs etats nals. Ici, nous supposons pour simplier que le processus peut
s'arrêter dans n'importe quel etat, autrement dit que tout etat est nal.
13.2.4 Deux types de Hmm
En pratique, on utilise deux types de modeles de Markov caches, le modele ergodique et le
modele gauche-droite.
Le modele ergodique est sans contrainte : toutes les transitions d'un etat vers un autre sont
possibles. Les exemples presentes precedemment sont de ce type.
Le modele gauche-droite est un modele contenant des contraintes resultant de la mise a zero
de certaines valeurs aij . Dans le modele le plus utilise, celui de la gure 13.5, l'etat i n'est relie
par une transition de probabilite non nulle qu'a trois etats : lui-même, l'etat i + 1 et l'etat i + 2.
D'ou le nom de modele gauche-droite 6 .
1 2 3 4
Fig. 13.5 { Le Hmm gauche-droite a quatre etats.
13.2.5 Comment un Hmm engendre une sequence

Un Hmm peut être vu comme un processus permettant d'engendrer une sequence ; inverse-
ment, on peut considerer une sequence comme une suite d'observations sur un Hmm en fonc-
tionnement. En se placant du premier point de vue, la generation d'une sequence peut se decrire
par l'algorithme 13.1 : c'est une procedure iterative geree par des tirages aleatoires.
Algorithme 13.1 Generation d'une sequence par un Hmm
t 1
Choisir l'etat initial q1 = si avec la probabilite i
tant que t T faire
Choisir l'observation ot = vk avec la probabilite bi (k)
Passer a l'etat suivant qt+1 = sj avec la probabilite aij
t t+1
n tant que
Repetons ici qu'une sequence donnee peut en general être engendree de plusieurs facons
distinctes par un Hmm.
13.3 Les Hmm comme regles de classication de sequences

13.3.1 Les trois problemes des Hmm
Les denitions precedentes ne sont utilisables que si l'on sait calculer la probabilite qu'une
sequence soit engendree par un Hmm et surtout si l'on sait apprendre un Hmm a partir d'exemples.
On doit donc chercher des algorithmes pour resoudre les problemes suivants :
L'evaluation de la probabilite de l'observation d'une sequence. Etant donnes la sequence
d'observations O et un Hmm = (A; B; ), comment evaluer la probabilite d'observation
P (O j )? La reponse a cette question est importante : dans un probleme de classication,
6. Ou modele de Bakis. Dans l'exemple d'introduction, le Hmm presente est encore plus simple.
on attribuera a une sequence la classe que modelise le Hmm le plus probable etant donnee
la sequence.
La recherche du chemin le plus probable. E tant donnes la suite d'observations O et un
Hmm , comment trouver une suite d'etats Q = q1 ; q2 ; : : : qT qui maximise la probabilite
d'observation de la sequence?
L'apprentissage. Comment ajuster les parametres (A; B; ) d'un Hmm pour maximiser
Y
P (O j ) = P (O j )
O2O
a partir d'un ensemble O de sequences d'apprentissage?
Notons que la resolution du second probleme n'est pas indispensable a l'utilisation des Hmm en
decision bayesienne. On reviendra sur son utilite au paragraphe 13.7.

13.3.2 Les Hmm et la classication bayesienne
Le principe est d'apprendre un Hmm par classe a partir des exemples de cette classe. L'ap-
prentissage d'un Hmm se fait a partir d'un modele initial; le Hmm se modie, mais en gardant
jusqu'a sa convergence certaines caracteristiques du modele initial (une certaine architecture) :
le nombre d'etats reste inchange,
une transition de probabilite nulle entre deux etats du modele initial garde toujours une
valeur nulle.
Le mieux est de prendre pour chaque classe un modele initial ayant la même architecture : par
exemple un modele ergodique ou un modele de Bakis. Pour chaque classe, le modele initial peut
simplement être pris avec le même nombre d'etats 7 .
Apres C apprentissages independants, on dispose donc de C Hmm, que l'on peut noter
(1); ; (C )
E tant donnee une sequence quelconque O, on a pour la classe de rang k :
P ((k) j O) = P (O j (Pk())O:P
)
((k))
Le modele qui doit être choisi par la regle bayesienne est celui qui maximise P ((k) j O) (regle
MAP : maximum a posteriori), ou si l'on suppose les classes equiprobables, celui qui maximise
P (O j (k)) (maximum de vraisemblance), comme indique au chapitre 2.
On doit donc être capable de calculer cette derniere valeur pour tout i. Cela necessite un
algorithme capable d'evaluer la probabilite qu'une phrase soit emise par un Hmm. C'est le sujet
que nous allons developper au paragraphe suivant.
7. Cette simplication n'est nullement necessaire a l'application du principe MAP, mais elle est utilisee en l'absence
de connaissances qui pourraient la mettre en cause.
13.4 L'evaluation de la probabilite d'observation
L'evaluation directe
Remarquons d'abord que la probabilite de la suite d'observations O, etant donne le modele
, est egale a la somme sur tous les suites d'etats possibles Q des probabilites conjointes de O
et de Q :
X X
P (O j ) = P (O; Q j ) = P (O j Q; )P (Q j )
Q Q
Or, on a les relations :
P (Q j ) = q1 aq1 q2 aq2q3 : : : aqT ;1qT
P (O j Q; ) = bq1 (O1 )bq2 (O2 ) : : : bqT (OT )
On deduit donc des formules precedentes, en rearrangeant les termes :

X
P (O j ) = q1 bq1 (O1 )aq1q2 bq2 (O2 ) : : : aqT ;1 qT bqT (OT )
Q=q1 ;q2;::: ;qT
Cette formule directe necessite d'enumerer toutes les suites d'etats de longueur T , soit une
complexite en (nT ). Il existe heureusement une methode plus rapide.
L'evaluation par les fonctions forward-backward.
Dans cette approche [Bau72], on remarque que l'observation peut se faire en deux temps :
d'abord, l'emission du debut de l'observation O(1 : t) en aboutissant a l'etat qi au temps t, puis,
l'emission de la n de l'observation O(t + 1 : T ) sachant que l'on part de qi au temps t. Ceci
pose, la probabilite de l'observation est donc egale a :
X
n
P (O j ) = t (i)t (i)
i=1
ou t (i) est la probabilite d'emettre le debut O(1 : t) et d'aboutir a qi a l'instant t, et t (i) est
la probabilite d'emettre la n O(t + 1 : T ) sachant que l'on part de qi a l'instant t. Le calcul de
se fait avec t croissant tandis que le calcul de se fait avec t decroissant, d'ou l'appellation
forward-backward.
Le calcul de
On a :
t (i) = P (O1 O2 : : : Ot ; qt = si j )
t (i) se calcule par l'algorithme 13.2, qui exprime que pour emettre le debut de l'observation
O(1 : t + 1) et aboutir dans l'etat sj au temps t + 1, on doit necessairement être dans l'un
des etats si a l'instant t. Cette remarque permet d'exprimer t+1 (j ) en fonction des t (i) et
d'utiliser un algorithme de programmation dynamique pour le calcul de tous les t (i) pour tout
i, puis des t+1 (i) pour tout i, etc.
Ce calcul a une complexite en (n2 T ).
Le calcul de
De maniere analogue, t (i) se calcule par l'algorithme 13.3.
Le calcul de est lui aussi en (n2 T ).
Algorithme 13.2 Calcul de la fonction forward
pour i = 1; n faire
1(i) i bi (O1 )
n pour
t 1
tant que t < T faire
j 1
tant que j Pn faire
t+1 (j ) [ n (i)a ]b (O )
i=1 t ij j t+1
j j+1
n tant que
t t+1
n tant queP
P (O j ) n (i)
i=1 T
Algorithme 13.3 Calcul de la fonction backward

pour i = 1; n faire
T (i) 1
n pour
t T
tant que t > 1 faire
j 1
tant que jP n faire
t (i) n a b (O ) (j )
j =1 ij j t+1 t+1
j j;1
n tant que
t t;1
n tant queP
P (O j ) n ( i)
i=1 T
Le calcul de la probabilite d'observation

Finalement, la probabilite d'observation d'une sequence
P est obtenue en prenant les valeurs
de et de a un instant t quelconque : P (O j ) = ni=1 t (i)t (i). Cependant, on utilise le
plus souvent les valeurs obtenues pour deux cas particuliers (t = 0) ou (t = T ), ce qui donne :
X
n X
n
P (O j ) = T (i) = i 0 (i)
i=1 i=1
Exemple
Soit le modele = (A; B; ) (gure 13.6) comprenant trois etats 1; 2; 3 chacun permettant
d'observer un symbole de l'alphabet V = fa; bg.
1 0.3
0.5
2 0.3 0.2
0.7
3 1
Fig. 13.6 { Un exemple de Hmm.
Etat 1 2 3
P(a) 1 0.5 0
P(b) 0 0.5 1
Tab. 13.3 { La matrice B de ce Hmm.
00:3 0:5 0:21 01 01 00:61
A = @ 0 0:3 0:7A B = @0:5 0:5A = @0:4A
0 0 1 0 1 0
La gure 13.7 illustre le calcul de pour la suite d'observations : a a b b.
1 (1) = 1 b1 (a) = 0:6 1 = 0:6
1 (2) = 2 b2 (a) = 0:4 0:5 = 0:2
1 (3) = 3 b3 (a) = 0 0 = 0
2 (1) = (1 (1)a11 + 1 (2)a21 + 1 (3)a31 )b1 (a)
= (0:6 0:3 + 0:2 0 + 0 0) 1
= (0:18) 1 = 0:18
2 (2) = (1 (1)a12 + 1 (2)a22 + 1 (3)a32 )b2 (a)
= (0:6 0:5 + 0:2 0:3 + 0 0) 0:5
= (0:36) 0:5 = 0:18
::: :P
::
P (a a b b j ) = qi 4 (i) = 0:2228
13.5 Le calcul du chemin optimal : l'algorithme de Viterbi

Il s'agit maintenant de determiner le meilleur chemin correspondant a l'observation, c'est-a-
dire de trouver dans le modele la meilleure suite d'etats Q, qui maximise la quantite :
P (Q; O j )
Etats α 1(i) α 2(i) α 3(i) α 4(i)

0 0 1 1
s3 0 1 1 1
0 0 0.162 0.212
0.7 0.7 0.7
0.5 0.5 0.5 0.5
s2 0.4 0.2 0.3 0.3 0.072 0.3
0.0108
0.18 + 0.2228
0.2 0.5 0.2 0.5 0.2 0.5
1 1 0 0
s1 0.6 0.3
0.18
0.3 0.3
0.6 0 0
t
a a b b
Fig. 13.7 { Calcul de pour la suite d'observations \aabb".
Pour trouver Q = (q1 ; q2 ; : : : ; qT ) pour une sequence d'observations O = (O1 ; O2 ; : : : ; OT ), on

denit la variable intermediaire t (i) comme la probabilite du meilleur chemin amenant a l'etat
si a l'instant t, en etant guide par les t premieres observations :
t (i) = q1Max P (q ; q ; : : : ; qt = si ; O1 ; O2 ; : : : ; Ot j )
;:::;qt;1 1 2
Par recurrence, on calcule

t+1 (j ) = [Max (i)a ]b (O )
i t ij j t+1
en gardant trace, lors du calcul, de la suite d'etats qui donne le meilleur chemin amenant a l'etat
si a t dans un tableau .
On utilise une variante de la programmation dynamique, l'algorithme de Viterbi (algorithme
13.4) pour formaliser cette recurrence. Il fournit en sortie la valeur P de la probabilite de
l'emission de la sequence par la meilleure suite d'etats (q1 ; ; qT )
La fonction Argmax permet de memoriser l'indice i, entre 1 et n, avec lequel on atteint le
maximum des quantites (t;1 (i)aij ). Le coût des operations est egalement en (n2 T ).
Exemple [BB92]
A partir de la gure 13.8 qui illustre le calcul de , on peut calculer les quantites ; et
qcomme suit :
Algorithme 13.4 Algorithme de Viterbi
pour i = 1; n faire
1 (i) i bi (O1 )
1 (i) 0
n pour
t 2
tant que t <T faire
j 1
tant que j n faire
t (j ) 1Max [ (i)a ]b (O )
in t;1 ij j t
t (j ) ArgMax [t;1 (i)aij ]

1in
j j+1
n tant que
t t+1
n tant que
P 1Max [ (i)]
in T
qT ArgMax [T (i)]
1in
t T
tant que t 1 faire
qt t+1 (qt+1 )
t t;1
n tant que
1 (1) = 1 b1 (a) = 0:6 1 = 0:6 1 (1) = 0;

1 (2) = 2 b2 (a) = 0:4 0:5 = 0:2 1 (2) = 0;
1 (3) = 3 b3 (a) = 0 0 = 0 1 (3) = 0;
2 (1) = max1in (1 (i)ai1 )b1 (a)
8 (1)a 9
< 1 11 =
= max : 1 (2)a21 ; b1 (a)
1 (3)a31
8 0:6 0:3 9
< =
= max : 0
0 ; 1 = 0:18 2 (1) = 1;
:::
Finalement :
1 (1) = 0 2 (1) = 1 3 (1) = 1 4 (1) = 1
1 (2) = 0 2 (2) = 1 3 (2) = 1 4 (2) = 2
1 (3) = 0 2 (3) = 2 3 (3) = 2 4 (3) = 3;
Etats
0 0 1 1
s3 0 1 1 1
0 0 0.105 0.105
0.7 0.7 0.7

0.5 0.5 0.5 0.5
0.3 0.3 Max
s2 0.4 0.2 0.3 0.15 0.045 0.0067 0.105
0.2 0.5 0.2 0.5 0.2 0.5
1 1 0 0
s1 0.6 0.3 0.18
0.3 0.3
0.6 0 0
t
a a b b
Fig. 13.8 { Calcul de pour la suite d'observations \aabb".
0 (1) 1
4
q4 = max @ 4 (2) A = 3;
4 (3)
q3 = 4 (3) = 3;
q2 = 3 (3) = 2;
q1 = 2 (2) = 1:
On deduit donc de ce calcul que la meilleure suite d'etats, celle qui engendre la phrase a a b b
avec la plus forte probabilite, est : 1 2 3 3.
13.6 L'apprentissage
Principe
Supposons disposer d'un ensemble de sequences O = fO1 ; ; Om g, dont l'element courant
est note Ok . Le but de l'apprentissage est de determiner les parametres d'un Hmm d'architecture
xee : = (A; B; ), qui maximisent la probabilite P (O j ). Comme on suppose les sequences
d'apprentissages tirees independamment, on cherche donc a maximiser :
Y
m
P (O j ) = P (Ok j )
k=1
L'idee est d'utiliser une procedure de reestimation qui ane le modele petit a petit selon les
etapes suivantes :
choisir un ensemble initial 0 de parametres ;
calculer 1 a partir de 0 , puis 2 a partir de 1 , etc.
repeter ce processus jusqu'a un critere de n.
Pour chaque etape p d'apprentissage, on dispose de p et on cherche un p+1 qui doit verier :
P (O j p+1) P (O j p)
soit :
Ym Y
m
P (O j p+1) P (Ok j p)
k
k=1 k=1
p+1 doit donc ameliorer la probabilite de l'emission des observations de l'ensemble d'appren-
tissage. La technique pour calculer p+1 a partir de p consiste a utiliser l'algorithme EM .
Pour cela, on fait un comptage de l'utilisation des transitions A et des distributions B et du
modele p quand il produit l'ensemble O. Si cet ensemble est assez important, ces frequences
fournissent de bonnes approximations a posteriori des distributions de probabilites A,B et et
sont utilisables alors comme parametres du modele p+1 pour l'iteration suivante.
La methode d'apprentissage EM consiste donc dans ce cas a regarder comment se comporte
le modele deni par p sur O, a reestimer ses parametres a partir des mesures prises sur O,
puis a recommencer cette reestimation jusqu'a obtenir une convergence. L'annexe 18.9 donne
quelques details sur cette methode.
Dans les calculs qui suivent, on verra appara^tre en indice superieur la lettre k quand il
faudra faire reference a la sequence d'apprentissage concernee. L'indice p, qui compte les passes
d'apprentissage, sera omis : on partira d'un modele note simplement et on calculera celui qui
s'en deduit.
Les formules de reestimation
On denit tk (i; j ) comme la probabilite, etant donnes une phrase Ok et un Hmm , que ce
soit l'etat si qui ait emis la lettre de rang t de Ok et l'etat sj qui ait emis celle de rang t + 1.
Donc :
tk (i; j ) = P (qt = si ; qt+1 = sj j Ok ; )
Ce qui se recrit :
tk (i; j ) = P (qt = si ;Pq(tO+1k = sj ; Ok j )
j )
Par denition des fonctions forward-backward, on en deduit :
k (i)a b (Ok ) k (j )
tk (i; j ) = t ijP (jOk tj+1) t+1
On denit aussi la quantite tk (i) comme la probabilite que la lettre de rang t de la phrase
k
O soit emise par l'etat sj .
tk (i) = P (qt = si j Ok ; )
Soit :
Xn
P (qt = si; qt+1 = sj ; Ok j )
X
n
tk (i) = P (qt = si ; qt+1 = sj j Ok ; ) = j =1 P (Ok j )
j =1
On a la relation :
X
n k k (i)
tk (i) = t (i; j ) = Pt((Oi)kjt )
j =1
Le nouveau modele Hmm se calcule a partir de l'ancien en reestimant ; A et B par comptage

sur la base d'apprentissage. On mesure les frequences :
aij = nombre de fois ou la transition de si a sj a ete utilisee

nombre de transitions eectuees a partir de si
de fois ou le Hmm s'est trouve dans l'etat sj en observant vl
bj (l) = nombre nombre de fois ou le Hmm s'est trouve dans l'etat sj
ou le Hmm s'est trouve dans l'etat si : : :
i = nombre de foisnombre de fois ou le Hmm : : :
: : : en emettant le premier symbole d'une phrase
: : : a emis le premier symbole d'une phrase
Compte tenu de ces denitions :

1 X
m
i = m 1k (i)
k=1
X
m jOXk j;1
tk (i; j )
aij = k=1N jtO=1k j;1
XX
tk (i)
k=1 t=1
X
m jOX
k j;1
tk (j )
k=1 t=1
avec Otk =vl
bj (l) =
X
m jOX
k j;1
tk (j )
k=1 t=1
Ces formules ont ete etablies par Baum ([Bau72]), comme une application de la procedure
EM a l'apprentissage des parametres Hmm. La suite des modeles construits par l'algorithme de
Baum-Welsh ([RJ93]) verie la relation cherchee :
P (O j p+1) P (O j p )
Remarques :
Le choix du modele initial in ue sur les resultats ; par exemple, si certaines valeurs de A et
B sont egales a 0 au depart, elles le resteront jusqu'a la n de l'apprentissage. Ceci permet
en particulier de garder la structure dans les modeles gauches-droits.
L'algorithme converge vers des valeurs de parametres qui assurent un maximum local de
P (O j ). Il est donc important, si l'on veut être aussi pres que possible du minimum
global, de bien choisir la structure et l'initialisation.
Le nombre d'iterations est xe empiriquement. L'experience prouve que, si le point precedent
a ete correctement traite, la stabilisation des parametres ne correspond pas a un surap-
prentissage : il n'y a donc en general pas besoin de contrôler la convergence par un ensemble
de validation. Mais cette possibilite est evidemment toujours a disposition.
Algorithme 13.5 Algorithme de Baum-Welch
Fixer des valeurs initiales (A; B; )
On denit le Hmm de depart comme 0 = (A; B; ).
p 0
tant que la convergence n'est pas realisee faire
On possede le Hmm p .
On calcule pour ce modele, sur l'ensemble d'apprentissage, les valeurs :
(i; j ); t (i) 1 i; j n 1 t T ; 1
On en deduit ; A; B en utilisant les formules de reestimation.
Le Hmm courant est desormais deni par p = (; A; B )
p p+1
n tant que
Un exemple
En partant du Hmm 0 deni par les parametres suivants :
00:45 0:35 0:201 01:0 0:01 00:51

A = @0:10 0:50 0:40A B = @0:5 0:5A = @0:3A
0:15 0:25 0:60 0:0 1:0 0:2
on peut calculer que, s'il emet sur l'alphabet a deux lettres V = fa; bg, on a :
P (a b b a a j 0) = 0:0278
Si on prend comme ensemble d'apprentissage cette seule phrase, l'application de l'algorithme de
Baum-Welsh doit augmenter sa probabilite de reconnaissance.
Apres une reestimation 8 , on trouve le Hmm 1 :
00:346 0:365 0:2891 0 1:0 0:0 1 00:6561

A = @0:159 0:514 0:327A B = @0:631 0:369A = @0:344A
0:377 0:259 0:364 0:0 1:0 0:0
P (a b b a a j 1) = 0:0529
Apres quinze iterations :
0 0:0 0:0 1:0

1 0
1:0 0:0
1
1:0
0 1
A = @0:212 0:788 0:0 A B = 0:969 0:031 = 0:0A
@ A @
0:0 0:515 0:485 0:0 1:0 0:0
P (a b b a a j 15 ) = 0:2474
Apres cent cinquante iterations, la convergence est realisee. La Figure 13.9 et le tableau 13.4
decrivent le resultat, que l'on peut donner aussi sous la forme suivante :
8. Les calculs sont tres penibles a faire a la main, même sur un exemple simple comme celui-ci.
0 0:0 0:0 1:01 01:0 0:01 01:01

A = @0:18 0:82 0:0A B = @1:0 0:0A = @0:0A
0:0 0:5 0:5 0:0 1:0 0:0
P (a b b a a j 150 ) = 0:2500
1
3 0.5 0.18
0.5
2 0.82
Fig. 13.9 { le Hmm entra^ne sur une seule phrase, apres convergence. Le seul etat initial possible
est l'etat 1.
Etat 1 2 3
P(a) 1 1 0
P(b) 0 0 1
Tab. 13.4 { La matrice B de ce Hmm.
Il peut para^tre curieux que ce Hmm ne genere pas son unique phrase d'apprentissage avec
la probabilite 1 et toutes les autres sequences avec la probabilite 0. Ceci vient du fait que le
nombre des etats est trop petit pour realiser un apprentissage par coeur. Mais si l'on part d'un
Hmm initial a cinq etats, il converge en revanche vers un Hmm deni par :
01:0 0:0 0:0 0:0

1
0:0 1:0
0 0:0
1 0 1
1:0
BB0:0 1:0 0:0 0:0 0:0C B
C B=B0:0 1:0CC B
B0:0CC
A=BB@0:0 0:0 1:0 0:0 0:0CC B
B0:0 1:0CC =B
B0:0C
0:0 0:0 0:0 1:0 0:0 A @1:0 0:0A @0:0CA
0:0 0:0 0:0 0:0 1:0 1:0 0:0 0:0
et l'on a :
P (a b b a a j ) = 1:0
Ce Hmm est en realite une variante d'un modele observable : a chaque etat est associee l'emission
certaine d'une lettre. La dierence avec les modeles presentes en debut de ce chapitre est que la
même lettre peut être associee a plusieurs etats. Ici, par exemple, la lettre a aux etats 1, 4 et 5.
Un autre exemple
Reprenons maintenant l'exemple du paragraphe 13.2.2. Nous partons du Hmm suivant, dont
les parametres ont ete tires aleatoirement :
0:40 0:60 0:49 0:51 0:31
A = 0:52 0:48 B = 0:40 :60 = 0:69
Nous lui faisons subir deux apprentissages sur deux ensembles de sequences : le premier est com-
pose d'elements ayant a peu pres autant de a que de b, ces derniers etant situes en majorite dans
la seconde partie ; l'autre ensemble d'apprentissage est compose de phrases de type symetrique.
O1 = faaabb; abaabbb; aaababb; aabab; abg
O2 = fbbbaa; babbaa; bbbabaa; bbabba; bbaag
Apres convergence, on obtient deux Hmm dierents donnes sur la gure13.10.
2 0.31 2 0.40
0.69 0.60
1 1.0 1 1.0
Fig. 13.10 { les Hmm (1) et (2).
(1) est deni par :
1:0
A = 0:69 00::310 B = 0:36 0:64 = 0:0
1:0 0:0 1:0
Son unique etat de depart est l'etat 2 qui emet a avec la probabilite 1. La probabilite
d'emettre b par l'etat 1 est de 0:64.
(2) est deni par :

A = 01::60
0 0:0
0:40 B = 00::65 0:34
0 1:0 = 01::00
Son unique etat de depart est l'etat 2 qui emet b avec la probabilite 1. La probabilite d'emettre
a par l'etat 1 est de 0:65.
Les deux Hmm appris sont dont assez semblables, quand on permute a et b. On remarque
qu'ils ne font pas jouer un rôle symetrique a leurs etats.
Sur deux phrases n'ayant pas participe a l'apprentissage, on obtient le resultat attendu :
P (a a b a b b b j (1)) = 0:0437
P (a a b a b b b j (2)) = 0:000
P (b b a b a a a j (1)) = 0:000
P (b b a b a a a j (2)) = 0:0434
13.7 Approfondissements
Comme on l'a dit plus haut, il est possible de denir des Hmm produisant des sequences
de valeurs continues et même des sequences de vecteurs de valeurs continues. Dans ce cas, elles
ne sont evidemment plus construites sur un alphabet ni. Il faut alors remplacer la matrice
B par un ensemble de distributions eventuellement multidimensionnelles de probabilites ; les
calculs precedents restent valables, mais les formules, en particulier celles de la reestimation
pour l'apprentissage doivent porter sur des parametres caracteristiques des distributions de
probabilite en question. Generalement, on suppose celles-ci gaussiennes, ou multigaussiennes.
C'est souvent le cas en reconnaissance de la parole : prenons l'exemple de la reconnaissance
du vocabulaire des dix chires. L'echantillon d'apprentissage permet de creer dix ensembles
d'exemples, chacun supervise par un chire dierent. Pour chaque chire, on va apprendre
un Hmm. En phase de reconnaissance, un son inconnu sera classe comme le chire associe au
Hmm qui peut l'emettre avec la plus forte probabilite. Qu'est-ce qu'une sequence representant
la prononciation d'un son? Au depart, un signal echantillonne, soit 8 ou 16 K valeurs reelles par
seconde. Ce signal est transforme par des techniques de type transformation de Fourier pour
en extraire ses caracteristiques frequencielles. Au nal, on dispose en general d'un codage de
chaque centieme de seconde de parole emise par un vecteur d'une dizaine de valeurs reelles. La
prononciation d'un chire est donc une sequence dont la longueur est de l'ordre de quelques
dizaines et dont chaque element est un vecteur de IR10 .
Il est des lors impossible de denir la matrice B puisque dans chaque terme bj (k), k devrait
parcourir tous les vecteurs dierents representant un centieme de seconde de parole et donc
prendre un nombre inni de valeurs. Le plus simple est de faire une estimation parametrique
de la distribution des composantes du vecteur emis par chaque etat, comme au chapitre 14.
On supposera par exemple que ce sont des tirages aleatoires d'une gaussienne de dimension
10 : dans ce cas, pour chaque etat, il faudra estimer la moyenne et la covariance de la densite
de probabilite d'emission d'un vecteur de dimension 10. L'algorithme de Baum-Welsh s'adapte
facilement a cette situation.
Des approfondissements et des alternatives ont ete proposes : il est commun de supposer
que les vecteurs emis sont des sommes ponderees de plusieurs distributions gaussiennes multi-
dimensionnelles. L'algorithme EM permet encore de calculer les moyennes et les covariances de
chacune, ainsi que les coecients de ponderation (voir le chapitre 15). Il a ete aussi propose
d'estimer les densites d'emission par la methode non-parametrique des K plus proches voisins
qui est presente au chapitre 14 ou par des reseaux connexionnistes (chapitre 10).
13.8 Applications
Les Hmm sont actuellement les outils d'apprentissage les plus ecaces pour la classication
des sequences : ils ne reclament que peu de connaissances a priori ; a condition de disposer de
susamment de donnees d'apprentissage, ils sont tres ecaces. Un grand nombre de ranements
leur ont ete apportes, en particulier pour resoudre des problemes aussi complexes que celui de la
reconnaissance de la parole ou de l'ecriture manuscrite. A l'heure actuelle, par exemple, presque
tous les systemes de reconnaissance de la parole sont construits a base de Hmm, parfois hybrides
de reseaux connexionnistes.
Dans la plupart des cas, les informations phonetiques, lexicales, syntaxiques sont (( com-
pilees )) dans un Hmm de plusieurs centaines d'etats, dont chacun vise a posseder une signication
linguistique; l'apprentissage se fait sur des tres grandes quantites de donnees. La reconnaissance
est eectuee en recuperant la sequence d'etats par l'algorithme de Viterbi. En eet, les etats
ont dans ce cas une signication linguistique. Ce n'est pas tant la probabilite nale qui est
interessante que le chemin par lequel passe la meilleure facon d'engendrer le signal.

L'algorithme de Baum-Welsh ([Bau72]) est une application aux modeles de Markov de la
technique generale EM d'estimation statistique de parametres caches. L'annexe 18.9 qui traite
de cette technique est en partie reprise du document [Ros97]. L'utilisation en apprentissage vient
de la communaute de la reconnaissance de la parole. Les premieres references que l'on peut
relier a cette technique datent des annees 1970 ([Jel76, Bak75]). L'utilisation en reconnaissance
bayesienne pour des sequences, comme presentee dans ce chapitre, est surtout fondee sur les
travaux de Rabiner et de son equipe, qui ont demarre vers 1983 ([LRS83]). L'article [Rab89] est
un expose incontournable sur les Hmm et leur application a la parole. Les ouvrages [Jel97] et
surtout [RJ93] donnent un etat de l'art de l'utilisation des Hmm en reconnaissance de la parole.
Pour leurs applications au traitement des sequences biologiques et des images, deux references
recentes sont [BB01] et [BS97, MS01]. L'exemple 13.6 et les gures associees sont empruntes, avec
l'aimable accord des auteurs, a [BB92]. Ce dernier ouvrage (entre autres merites) presente une
bonne introduction a ces techniques d'apprentissage et a leur application pour la reconnaissance
de l'ecriture manuscrite ; ce chapitre lui a fait quelques autres emprunts.
Resume
les Hmm sont des modeles probabilistes d'emission de sequences, discretes ou
continues (et dans ce cas, eventuellement vectorielles)
en version de base, ils sont utilises en classication bayesienne
l'algorithme forward-backward permet de conna^tre la probabilite qu'un Hmm
ait emis une sequence
l'algorithme de Viterbi permet de conna^tre la suite des etats du Hmm qui a
la plus forte probabilite d'avoir emis une sequence
l'algorithme de Baum-Welsh permet d'ajuster les parametres d'un Hmm au
maximum de vraisemblance a partir d'un ensemble de sequences d'apprentis-
sage
408
PARTIE 3 : Apprentissage par optimisation
interpolation
Quatrieme partie
Apprentissage par approximation et
Chapitre 14
L'apprentissage bayesien et son
approximation
Nous savons depuis le chapitre 2 que l'apprentissage bayesien consiste a partir d'hy-
potheses a priori pour les reviser en fonction des donnees d'apprentissage. Cette
operation est optimale au sens probabiliste : les hypotheses a posteriori obtenues de
la sorte sont en eet les plus vraisemblables.
D'un point de vue operationnel, l'application de l'apprentissage bayesien necessite
donc, en principe, d'une part une connaissance a priori sur la vraisemblance des
hypotheses en concurrence, mais d'autre part celle la probabilite des donnees d'ap-
prentissage conditionnellement a ces hypotheses. Si ces valeurs sont connues, l'hy-
pothese la plus vraisemblable compte tenu des donnees pourra être selectionnee. En
pratique, ces valeurs ne sont pas connues exactement : elles doivent être estimees.
Le but de ce chapitre est donc de presenter quelques methodes permettant de realiser
ces estimations.
Il existe une litterature tres abondante sur le sujet, provenant des statistiques et de
la reconnaissance des formes ; cette derniere discipline insiste sur le côte algorith-
mique de l'estimation. Nous nous placons egalement de ce côte. Nous presentons
d'abord les bases de l'apprentissage bayesien, en particulier dans le cas de la clas-
sication, et nous decrivons rapidement les liens entre cette approche et d'autres
concepts utiles pour l'apprentissage automatique comme la regression, la comparai-
son de distributions de probabilites, le principe MDL. Nous decrivons ensuite les
methodes parametriques d'estimation, qui connaissent un regain de faveur en rai-
son de leurs liens avec les fonctions noyau, elle-mêmes liees aux separateurs a vaste
marge (chapitre 9) et aux reseaux connexionnistes (chapitre 10). Les methodes non
parametriques, ou K plus proches voisins, sont ensuite presentees, avec une insis-
tance sur l'aspect algorithmique. Pour nir, les methodes semi parametriques sont
abordees et le lien est fait avec d'autres methodes d'apprentissage, comme les arbres
de decision (chapitre 11).
412
oici l'histoire d'un etudiant en mathematiques qui decide pour se changer les idees
V de s'initier a l'ornithologie, l'art et la science d'identier les oiseaux. Il se rend vers

un etang sur lequel il a deja apercu nager des gros oiseaux. Il y en a quelques-uns
ce jour-la. Mais comment savoir a quelle espece ils appartiennent? Non loin de la se
trouve un autre observateur equipe d'une longue-vue. (( Pardon, dit l'etudiant, savez vous quel
genre d'oiseaux on voit ici? )) (( Certainement, repond l'autre. Il n'y a jamais que des cygnes
et des oies. Et depuis des annees que je viens ici, j'ai eu l'occasion de compter au total environ
trois fois plus de cygnes que d'oies. )) (( Tres bien, merci )), dit l'etudiant, avant de se livrer a une
observation plus attentive.
Il remarque vite que sans une paire de jumelles, tout ce qu'il peut voir sont des oiseaux plutôt
blancs et d'autres plutôt sombres. (( Excusez-moi de vous interrompre a nouveau, dit-il a son
voisin, pouvez-vous m'indiquer le nom des oiseaux blancs et celui des oiseaux noirs? )) L'expert,
un peu agace, lui repond que c'est plus complique que cela : (( Il y a des cygnes sombres : les
jeunes de moins d'un an. Les adultes sont blancs. La duree de vie d'un cygne est d'environ vingt
ans, soit dit en passant. D'autre part, les oies sauvages sont sombres, mais des oies blanches de
la ferme d'a côte viennent parfois jusqu'ici. Je dirais qu'une oie sur dix est blanche. Est-ce que
cela vous sut? )) (( Parfaitement, merci )). Avisant un oiseau sombre, l'etudiant fait un petit
calcul puis montre le bestiau a l'expert. (( Je te prend le pari que nage ici une oie )). L'autre, a
la longue-vue, regarde, voit, s'etonne. (( Il s'agit bien d'une oie. Tu n'es point debutant ! )). (( Je
le suis. Mais chez moi la raison aide l'observation. ))
Que sait l'etudiant? Que neuf oies sur dix sont sombres, qu'un cygne sur vingt est sombre
et qu'un oiseau a trois chances sur quatre d'être un cygne. Que peut-il deduire rationnellement
quand il observe un oiseau sombre?
Avant toute observation, la probabilite a priori pour un oiseau d'être un cygne vaut 3=4 et
elle vaut 1=4 d'être une oie. La probabilite qu'un oiseau soit sombre sachant qu'il est un cygne
vaut 1=20, celle qu'il soit clair sachant qu'il est un cygne vaut 19=20. La probabilite qu'un oiseau
soit sombre sachant qu'il est une oie vaut 9=10, celle qu'il soit clair sachant qu'il est une oie vaut
1=10.
De maniere plus formelle :
P (oiseau = cygne) = 3=4. Notons en raccourci : P (cygne) = 3=4
P (oie) = 1=4
P (couleur = sombre j oiseau = cygne) = P (sombre j cygne) = 1=20.
P (clair j cygne) = 19=20
P (sombre j oie) = 9=10
P (clair j oie) = 1=10
Comme l'oiseau observe est sombre, il faut calculer la probabilite conditionnelle P (oie j
sombre) qu'il soit une oie sachant que sa couleur est sombre et la probabilite conditionnelle
P (cygne j sombre) qu'il soit un cygne sachant que sa couleur est sombre. Il faut ensuite comparer
ces deux probabilites conditionnelles. La plus forte des deux donnera l'hypothese (oie ou cygne)
la plus probable, c'est-a-dire la meilleure pour resumer les connaissances.
La regle de Bayes, connue de tous les etudiants en mathematiques, permet d'armer que :
P (oie j sombre) = P (sombre j oie)P (oie)

P (sombre)
P (cygne j sombre) = P (sombreP (jsombre

cygne)P (cygne)
)
Chapitre 14 L'apprentissage bayesien et son approximation 413
Donc :
P (cygne j sombre) = P (sombre j cygne)P (cygne)
P (oie j sombre) P (sombre j oie)P (oie)
et avec les valeurs numeriques de notre exemple :
P (cygne j sombre) = (1=20):(3=4) = 1
P (oie j sombre) (9=10):(1=4) 6
Il y a six chances sur sept que l'oiseau soit une oie : un pari a prendre a six contre un.
Dans cette histoire, il a ete question de decision, mais pas d'apprentissage. Ou est-il cache ?
En realite, il est completement resume par les chires que donne l'expert. Par consequent, ce
chapitre developpera non seulement les aspects de decision grâce a la regle de Bayes, mais surtout
la maniere dont l'expert a reussi a apprendre ces chires a partir d'exemples, de facon a ce que
cette regle de decision soit la plus ecace possible.
14.1 L'apprentissage bayesien

14.1.1 Presentation
L'introduction generale a l'apprentissage bayesien a ete faite au chapitre 2. Rappelons que
son but est de choisir l'hypothese h 2 H qui minimise en moyenne l'erreur commise vis-a-vis de
la fonction cible f , apres observation de l'ensemble d'apprentissage S .
On possede un echantillon d'exemples supervises :
S = f(x1 ; u1); : : : ; (xi; ui)); : : : ; (xm; um)g
On cherche a apprendre la meilleure hypothese h 2 H pour les expliquer, c'est-a-dire a trouver
l'application de X dans U qui generalise en moyenne le mieux les couples de S . On suppose ici que
l'ensemble X des valeurs xi est numerique. En revanche, les ui sont des valeurs de supervision
qui peuvent être de natures variees. Par exemple :
Si X = IRd et ui 2 f!1 ; : : : ; !C g, on veut apprendre une regle de classication.
Si X = IRd et ui 2 [0; 1], on veut apprendre une fonction aleatoire.
Si X = IRd et ui 2 IR, on veut apprendre une fonction reelle de d variables reelles.
La regle bayesienne d'apprentissage, ou decision bayesienne, consiste a elire comme meilleure
hypothese dans H celle qui a la plus grande probabilite connaissant les donnees d'apprentissage.
Il s'agit donc d'une methode generale dont nous allons allons d'abord decrire le principe avant
de l'instancier sur quelques exemples. L'apprentissage d'une regle de classication sera parti-
culierement detaille, compte tenu de son importance pratique.
Pour des raisons de clarte, nous allons d'abord nous placer dans le cas ou H est un ensemble
ni, par exemple un ensemble de deux classes comme foie; cygneg.
Le cas ou H est ni
Commencons par ajouter provisoirement une nouvelle contrainte : supposons que l'on puisse
denir une probabilite P (S ) de voir appara^tre l'echantillon d'apprentissage S . Cela est facile a
faire si l'ensemble des echantillons possibles est lui aussi ni, mais c'est en general une hypothese
irrealiste. Mais peu importe, cette valeur dispara^tra rapidement des calculs.
Il est alors possible, puisque H est aussi ni, de denir la probabilite P (h) et la probabilite
P (h j S ) de h sachant S , ceci pour tout element de H.
414 PARTIE 4 : Apprentissage par approximation et interpolation
La politique bayesienne consiste par denition a chercher l'hypothese h la plus probable
connaissant les exemples. h est denie par :
h = ArgMax P (h j S )
h2H
La regle de Bayes nous dit que :
P (h; S ) = P (h j S )P (S ) = P (S j h)P (h)
Denition 14.1
L'hypothese h choisie par l'apprentissage bayesien est telle que :
h = ArgMax P (SPj (hS))P (h) = ArgMax P (S j h)P (h)
h2H h2H
La valeur P (h) est appelee probabilite a priori de l'hypothese h.
Une fois les donnees d'apprentissage observees et la regle de Bayes appliquee, la probabilite
de l'hypothese h devient P (h j S ) : c'est la probabilite a posteriori de h.
La regle bayesienne d'apprentissage designe donc dans H la regle de plus forte probabilite a
posteriori. Cette regle s'appelle aussi la regle MAP (maximum a posteriori).
Quand on suppose que les exemples sont des tirages independants (i.i.d.), ce qui est une
hypothese naturelle (voir le chapitre 2), on peut ecrire :
Y
m
P (S j h) = P (h) P (z i j h)
i=1
Dans ce cas, la regle bayesienne d'apprentissage MAP consiste a choisir h comme :
Y m
h = ArgMax [P (h) P (z i j h)]
h2H i=1
ce qui peut aussi s'ecrire :
X
m
h = ArgMin [Log(P (h)) + Log(P (z i j h))]
h2H i=1
Il est courant de se placer dans un cas simplie, si c'est justie :
Denition 14.2
Si on suppose que toutes les hypotheses sont equiprobables dans H, la regle MAP se simplie et
prend le nom de regle du maximum de vraisemblance :
Y
m X
m
h = ArgMax P (z i j h) = ArgMin Log(P (z i j h))
h2H i=1 h2H i=1
Relâchons maintenant l'hypothese peu credible selon laquelle il est possible de denir une
probabilite P (S ), mais gardons un cadre probabiliste en supposant qu'il existe une densite de
probabilite p(S ) associee a chaque echantillon S . On peut dans ce cas denir aussi p(S j h), la
densite conditionnelle de S connaissant l'hypothese h.
Dans ce cas, la regle MAP s'ecrit :
h = ArgMax p(S j h)P (h)
h2H
et la regle du maximum de vraisemblance :
X
m
h = ArgMin Log(p(z i j h))
h2H i=1
Le cas ou H est inni
Dans ce cas, il n'est plus possible de denir une probabilite P (h). Neanmoins, on peut
supposer qu'il existe une distribution de probabilites sur H et donc qu'une densite de probabilite
p(h) peut être denie pout tout h. De même, il existe des densites conditionnelles p(h j S ) et
p(S j h).
On cherche alors l'hypothese h telle que :
h = ArgMax p(S j h)p(h)
h2H
soit, avec la regle MAP :
X
m
h = ArgMin [Log(p(h)) + Log(p(z i j h))]
h2H i=1
14.1.2 Un petit retour en arriere
La regle bayesienne optimale a ete presentee au chapitre 2 sous une forme legerement
dierente, pour des raisons de coherence des notations dans ce chapitre :
h? = ArgMin l(hjf ) pF (f ) pX (xjf )

h2H
avec :
pF (f ) est la densite de probabilite a priori de la fonction cible, c'est-a-dire que l'etat reel
du monde soit f .
pX (xjf ) est la probabilite de l'observation x connaissant la fonction cible f .
l(hjf ) est le coût de choisir h au lieu de la vraie fonction f .
Ici, nous utilisons la fonction de perte la plus simple (voir annexe 18.1) :
(
l(ui ; h(xi )) = 0 si ui = h(xi ) (14.1)
1 si ui 6= h(xi )
14.1.3 L'apprentissage bayesien d'une regle de classication
La premiere application de l'apprentissage bayesien est la reconnaissance statistique des
formes ou l'apprentissage d'une regle de classication : l'espace X est egal a IRd et on cherche
a apprendre une application de IRd dans f!1 ; : : : ; !C g. On suppose qu'a chaque classe !i il est
possible d'associer une probabilite a priori P (!i ) et que tout vecteur correspondant a un point
de la classe !i peut être considere comme le resultat d'un tirage aleatoire independant de densite
p(x j !i ).
Si on veut utiliser les donnees d'apprentissage pour attribuer avec la meilleure vraisemblance
une classe a un point x quelconque, il faut calculer la probabilite a posteriori P (!i j x) d'observer
ce point conditionellement a chaque classe ; ce calcul se fait, a partir des valeurs precedentes,
par la regle de Bayes 1 :
P (!i j x) = p(x jp!(ix))P (!i ) (14.2)
La decision par la regle du maximum a posteriori (MAP ) s'ecrit alors en cherchant la classe !
de plus grande probabilite a posteriori :
! = ArgMax p(x j !i )P (!i ) (14.3)
i=1;C
Le probleme de l'apprentissage d'une regle de classication serait donc resolu si l'on connaissait
P (!i ) et p(x j !i). Comme on le verra au paragraphe 14.1.5, ce probleme se ramene essentielle-
ment a estimer chaque p(x j !i ) a partir des echantillons d'apprentissage supervises par la classe
!i .
La separation des classes peut aussi se formuler de maniere geometrique, comme presente au
chapitre 3.
Denition 14.3
On appelle surface separatrice ij entre les deux classes !i et !j le lieu des points ou la probabilite
a posteriori d'appartenir a !i et a !j est egale.
ij est denie par : P (!i j x) = P (!j j x)
14.1.4 La classication bayesienne est optimale en moyenne...
On a donc deni la regle de classication bayesienne h en attribuant au point x la classe
! qui a la plus forte probabilite conditionnellement a x parmi toutes les classes :

h attribue la classe ! = ArgMax [P (!i j x)] = ArgMax [p(x j !i)P (!i )] (14.4)
i2f1;:::;C g i2f1;:::;C g
Cette regle est optimale en moyenne : parmi toutes les regles de classication possibles, elle
est celle qui minimise la probabilite d'erreur, connaissant la probabilite a priori des classes !i .
Ce resultat nous est deja connu : on a deja traite aux chapitres 2 et 3 de cette notion de
probabilite d'erreur et on a vu que la regle de classication bayesienne minimise l'esperance (la
moyenne statistique) de mauvaise classication de l'objet x quand il parcourt X .
La valeur R(h ) est appelee erreur bayesienne de classication ; les algorithmes d'apprentis-
sage de regles de classication visent donc souvent a l'approcher. Une demonstration directe de
cette optimalite est donnee en annexe 18.8.
14.1.5 ...mais on ne peut que l'approcher.
Le probleme de l'apprentissage d'une regle de classication serait resolu, sous les hypotheses
precedentes, si l'on possedait une connaissance exacte pour chaque classe de la probabilite a
1. Cette formule melange probabilites et densites de probabilites ; il est facile de verier sa validite en partant
R de sa
forme originale P (!i j x) = P (x2PV(xj!2iV)P) (!i ) . V est un volume ni de IRd et on a l'egalite : P (x 2 V ) = V p(x)dx.
priori P (!i ) et de la densite conditionnelle p(x j !i ). Mais on ne dispose en pratique que des
donnees d'apprentissage S = f(x1 ; u1 ); : : : ; (xm ; um )g.
Considerons l'une apres l'autre les deux valeurs qui interviennent dans la formule
h attribue la classe ! = ArgMax [p(x j !i)P (!i )]
i2f1;:::;C g
L'estimation de la probabilite a priori des classes
\
Pour estimer les valeurs P (!i ), les probabilites a priori des classes, on peut :
soit, en l'absence d'information particuliere, les supposer egales et donc prendre l'estima-
\
teur : P (!i ) = C1 .
soit supposer l'echantillon d'apprentissage representatif et les estimer par les frequences
d'apparition de chaque classe dans cet ensemble 2 : P (!i ) = mmi .
\
soit utiliser un estimateur intermediaire (formule de Laplace)
P (!i) = mm
i + M=C
+M
ou M est un nombre arbitraire. Cette formule est employee quand m est petit, donc quand
les estimations mi =m sont tres imprecises. M represente une augmentation virtuelle du
nombre d'exemples, pour lesquels on suppose les classes equiprobables.
Le premier cas s'applique par exemple a la reconnaissance des chires manuscrits sur les
cheques ; en revanche, pour les codes postaux, la seconde methode est preferable (la proportion
de chires 0 y est superieure a celle des autres).
Le second cas semble plus naturel mais il peut aussi être trompeur : dans certains problemes,
les classes ne sont pas representees de la même maniere dans l'ensemble d'apprentissage et
dans les exemples qu'il faudra classer. Par exemple, un diagnostic medical peut s'apprendre a
partir d'un ensemble d'apprentissage comportant un nombre equilibre d'exemples et de contre-
exemples, alors que la maladie est rare.
L'estimation des densites conditionnelles a priori
Il reste donc a estimer les densites p(x j !i ). Dans un probleme d'apprentissage de regle de
classication, on dispose d'un echantillon d'exemples supervises : le probleme se ramene donc a
estimer chaque p(x j !i) a partir des echantillons d'apprentissage supervises par la classe !i .
Independamment pour chaque classe, on se trouve donc nalement a devoir estimer une
densite de probabilite a partir d'un nombre ni d'observations. C'est un probleme tout a fait
classique en statistiques. Il faut introduire des hypotheses supplementaires pour le resoudre (un
biais, en terme d'apprentissage articiel). On a l'habitude de distinguer (voir le chapitre 2) :
Les methodes parametriques, ou l'on suppose que les p(x j !i) possedent une certaine forme
analytique ; en general, on fait l'hypothese qu'elles sont des distributions gaussiennes. Dans
ce cas, le probleme se ramene a estimer la moyenne et la covariance de chaque distribution;
la probabilite d'appartenance d'un point x a une classe se calcule alors directement a partir
des coordonnees de x. Ce sera l'objet du paragraphe 14.2.2.
Les methodes non parametriques, pour lesquelles on estime localement les densites p(x j !i)
au point x en observant l'ensemble d'apprentissage autour de ce point. Ces methodes sont
implementees par la technique des fenêtres de Parzen (paragraphe 14.3.2) ou l'algorithme
des k-plus proches voisins (paragraphe 14.3.3).
2. Rappelons que le nombre d'exemples total est note m, alors que mi designe le nombre d'exemples supervises par
la classe i.
Les methodes semi parametriques, pour lesquelles nous ne connaissons pas non plus la
forme analytique des distributions de probabilites. Nous supposons cependant que ces dis-
tributions appartiennent a des familles et que les (( hyper parametres )) qui les caracterisent
a l'interieur de cette famille peuvent être determines.
14.1.6 La regle bayesienne et la regression aux moindres carres
Considerons maintenant le probleme de la regression, c'est-a-dire de l'apprentissage d'une
fonction f : X ;! IR a partir d'un ensemble d'exemples S :
S = f(x1; u1); : : : ; (xi; ui); : : : ; (xm ; um )g
Nous sommes ici dans le cas ou l'espace des hypotheses et celui des echantillons possibles sont
tous deux innis: nous emploierons donc des densites de probabilite.

Placons-nous d'autre part sous l'hypothese que la partie supervision de chaque exemple
s'ecrit :
ui = f (xi) + ei
ou ei est un tirage aleatoire d'une distribution gaussienne de moyenne nulle et de variance
inconnue 2 . En d'autres termes, on considere qu'il s'agit d'apprendre la fonction f a partir
d'exemples bruites 3.
On cherche maintenant dans un ensemble de fonctions hypotheses H quelle est h , la plus
probable d'être la fonction f . On sait que :
h = ArgMax p(h j S )p(h)
h2H
Si on suppose toutes les fonctions equiprobables dans H et les exemples independants, on
peut appliquer la regle du maximum de vraisemblance :
Y
h = ArgMax p(S j h) = ArgMax p(z i j h)
h2H h2H
La relation :
ui = f (xi) + ei
contraint la valeur ui a être le resultat d'un tirage aleatoire d'une distribution gaussienne de
centre f (xi ) et de variance 2 . Par consequent, p(ui j h) est le resultat d'un tirage aleatoire
d'une distribution gaussienne de centre h(xi ) et de variance 2 . Ces contraintes sur la relation
entre les xi et les ui etant ainsi formalisees, l'apprentissage par maximum de vraisemblance se
transforme en :
h = ArgMax p 1 e; 22 (ui ;h(xi ))
1 2
h2H 2
d'ou, en prenant le logarithme :
X m X m
h = ArgMin 21 2 (ui ; h(xi))2 = ArgMin (ui ; h(xi ))2 (14.5)
h2H i=1 h2H i=1
Par consequent, l'hypothese h la plus probable dans H est celle qui minimise la somme sur
tous les exemples xi du carre de la dierence entre la valeur h (xi ) au point xi et la valeur
bruitee de la fonction f (xi ), donnee par ui = f (xi ) + ei .
3. Cette hypothese est souvent realiste et en particulier tres employee dans le traitement du signal et des images.
h est donc la meilleure fonction a la fois au sens de la minimisation des moindres carres et
au sens de la regle du maximum de vraisemblance, sous l'hypothese que le bruit de mesure sur
les exemples est gaussien.
Un exemple classique est celui de la regression lineaire dans un plan : la meilleure droite pour
approximer un ensemble de points du plan (si l'on suppose ces points issus d'une même droite,
mais deplaces par un bruit gaussien) se calcule comme celle qui minimise la somme des distances
des points a elle-même (gure 14.1).


Fig. 14.1 { La meilleure droite pour approximer un ensemble de points.
14.1.7 La regle bayesienne et la minimisation de l'entropie croisee

Placons nous maintenant dans un autre cas d'apprentissage : celui d'une fonction aleatoire a
deux valeurs f : IR ;! f0; 1g.
Les donnees d'apprentissage qui resument la connaissance sur f sont rassemblees dans l'en-
semble S = f(x1 ; u1 ); : : : ; (xi ; ui ); : : : ; (xm ; um )g, avec ui = f (xi ) = 0 ou 1.
L'espace des hypotheses est un ensemble H dans lequel on cherche la meilleure fonction h ,
au sens bayesien, pour approcher f a partir de S .
La probabilite que les donnees aient ete engendrees par la distribution de probabilites h
s'ecrit, en supposant les donnees independantes entre elles :
Y
m
P (S j h) = P (zi j h)
i=1
En utilisant la regle des probabilites conditionnelles:
P (z i j h) = P (xi ; ui j h) = P (ui j h; xi)P (xi )
Y
m
P (S j h) = P (ui j h; xi)P (xi )
i=1
En notant que P (ui j h; xi ) vaut h(xi ) si ui = 1 et 1 ; h(xi ) si ui = 0, on peut ecrire :
P (ui j h; xi ) = h(xi)ui (1 ; h(xi ))1;ui
D'ou :
Y
m
P (S j h) = h(xi )ui (1 ; h(xi))1;ui P (xi )
i=1
La regle bayesienne d'apprentissage h s'ecrit donc :
Y
m
h = ArgMax P (S j h) = ArgMax h(xi )ui (1 ; h(xi ))1;ui P (xi ) (14.6)
h2H h2H i=1
P (xi ) peut être suppose independant de h : il est raisonnable de supposer que la probabilite
d'observer telle ou telle donnee est independante de l'hypothese que l'on fait. Par consequent :
Y
m
h = ArgMax h(xi)ui (1 ; h(xi ))1;ui (14.7)
h2H i=1
D'ou, en passant au logarithme :
X
m
h = ArgMax ui Log[h(xi)) + (1 ; ui )(1 ; h(xi )] (14.8)
h2H i=1
Le terme de droite est l'oppose de l'entropie croisee entre la distribution des exemples sur f0; 1g
et la distribution h. Par consequent, la meilleure fonction aleatoire au sens bayesien est celle
qui maximise ce terme. Rappellons que l'entropie croisee a ete utilisee pour l'apprentissage des
arbres de decision : chaque choix pendant la phase de construction est donc localement optimal
au sens bayesien (voir le chapitre 11).
14.1.8 La regle bayesienne et la longueur minimale de description
Nous anticipons sur un aspect qui sera aborde au chapitre 17 : les rapports entre le principe
MDL et l'apprentissage bayesien. On peut en eet interpreter la decision bayesienne comme un
compromis optimal entre la qualite et la complexite de la solution. Pour cela, il faut raisonner en
termes de codage. Rappelons le premier theoreme de Shannon ([Cov91]), qui assure le resultat
suivant :
Theoreme 14.1
Soit un ensemble ni d'objets fO1 ; : : : ; On g, chacun pouvant appara^tre avec la probabilite P1 ; : : : ; Pn .
Un code binaire assigne a chaque objet un message sous la forme d'une sequence de bits, de
maniere bi-univoque. Le code binaire optimal, c'est-a-dire celui qui minimise en moyenne la lon-
gueur du message transmis, necessite ;log2 Pi bits pour transmettre le message signiant que
l'objet Oi est apparu.
Nous supposons ici H de taille nie et nous notons ; le code optimal correspondant a la
distribution des hypotheses dans H. La transmission de l'hypothese hi par le code ; necessite
un nombre de bits que nous notons L; et qui vaut :
L; (hi ) = ;log2P (hi )
De même, si nous voulons transmettre les donnees S en supposant que l'emetteur et le
recepteur connaissent tous les deux l'hypothese hi , il faut choisir un code optimal correspondant
a la distribution conditionnelle des evenements P (S j hi ). Notons ce code . La longueur du
message est alors :
L(S j hi ) = ;log2 P (S j hi )
Maintenant, pour transmettre a la fois les donnees et une hypothese hi , il nous faut donc au
mieux :
L(hi ; S ) = L; (hi ) + L(S j hi ) = ;log2 P (hi ) ; log2 P (S j hi )
On appelle souvent L(hi ; S ) la longueur de description de la solution hi . Elle re ete d'une
certaine facon la qualite de hi , puisqu'elle s'interprete comme le coût de transmettre a la fois
une hypothese et les donnees connaissant cette hypothese. Pour expliquer ceci, prenons un
exemple.
2
2
2
2
2 2
Fig. 14.2 { L'hypothese constituee d'un seul rectangle (en trait continu) est courte a coder, mais
sa precision n'est pas bonne : beaucoup de points sont loin de la frontiere. Celle
constituee de deux rectangles (en pointilles) est a la fois assez courte a coder et
precise : seuls deux points ne sont pas sur la frontiere. Une troisieme hypothese est
celle constituee de rectangles entourant chaque point : elle est tres precise, mais son
codage est le plus long. Un bon compromis est donc l'hypothese constituee de deux
rectangles.
Un exemple
Imaginons de disposer de donnees S qui sont des points de IR2 et supposons qu'une hypothese
h se decrive comme une union de rectangles contenant les donnees.
Il existe un code optimal ; pour calculer la longueur de description L; (h) d'une hypothese
h, que nous ne connaissons pas. Il est cependant vraisemblable que coder chaque rectangle par
les coordonnees de ses deux sommets opposes en diagonale soit une bonne approche. Le nombre
de rectangles est donc sans doute relie directement a la complexite du codage de l'hypothese.
Nous pouvons mesurer la qualite de la description d'une donnee en observant si elle est
proche ou non de la frontiere d'un rectangle qui la contient. Pour cela, faisons passer une droite
horizontale et une droite verticale par ce point et mesurons a quelle distance a gauche, a droite, en
haut et en bas elle rencontre la premiere frontiere du rectangle. La plus faible de ces quatre valeurs
nous donne une idee de la qualite de la description de ce point : il est satisfaisant qu'une frontiere
de rectangle passe pres du point. Nous pouvons sommer une telle valeur sur tous les points et
en prendre l'inverse : nous disposons d'une mesure de qualite d'une hypothese connaissant les
donnees. Le codage de cette hypothese, a supposer qu'on connaisse le code optimal , prend
exactement la longueur de description L (S j h).
Regardons maintenant deux cas extrêmes :
On choisit comme hypothese un rectangle unique, couvrant juste les donnees. Son codage
L; (hi ) sera tres court, mais la valeur de Q(S ; h) est en revanche elevee. Au total, L(hi ; S ) =
L; (hi ) + L(S j hi ) sera forte.

On choisit comme hypothese l'union de tout petits rectangles, chacun entourant une
donnee. Cette fois la valeur de Q(S ; h) sera excellente, mais le codage de l'hypothese
sera long. Au nal, L(hi ; S ) sera forte pour les raisons inverses.
En realite, il existe un compromis pour lequel L(hi ; S ) est minimale. La gure 14.2 en donne
une idee sur un exemple.
En revenant au cas general, l'hypothese ayant la longueur de description minimale est donc
en un certain sens la meilleure hypothese. Elle est caracterisee par :
h = ArgMin [;log2 P (h) ; log2 P (S j h)]
h2H
En changeant le signe et en prenant l'exponentielle, on constate que h est egalement la meilleure
hypothese bayesienne :
h = ArgMax P (S j h)P (h) (14.9)
h2H
14.1.9 L'apprentissage bayesien non supervise
Un autre aspect de l'apprentissage bayesien est sa capacite a être utilise en apprentissage
non supervise, c'est-a-dire a segmenter des donnees en familles homogenes. Nous traitons ce cas
au chapitre 15, intitule : (( La classication non supervisee et la decouverte automatique )).
14.2 Les methodes parametriques

L'une des approches classiques pour estimer des distributions de probabilites est de les
representer a l'aide de fonctions parametrees. Il s'agit alors d'optimiser la valeur de ces pa-
rametres pour que les fonctions s'adaptent aux donnees d'apprentissage. On peut alors appli-
quer la regle de decision bayesienne en remplacant les probabilites vraies par leur estimation.
Le chapitre 2 a deja aborde ce sujet.
En classication, il s'agit donc d'estimer les grandeurs P (!i ) et p(xj!i ) pour chaque classe
!i . Nous avons deja appris a estimer P (!i), ou mi est le nombre de formes appartenant a la
classe !i et m le nombre total de formes observees (paragraphe 14.1.5). Reste a estimer p(xj!i ).
14.2.1 L'estimation par maximum de vraisemblance
Nous allons supposer que la fonction de densite de probabilite p(xj!) depend d'un ensemble
de parametres que nous notons = (1 ; : : : ; L )>. L'ensemble des valeurs que peut prendre
est note . Dans le cas d'un probleme de classication, nous aurons une fonction par classe
an de representer p(xj!i ) pour chaque classe !i, ou plus precisement, dans cette approche
parametrique, p(xji ).
Nous disposons d'un echantillon de donnees S = fx1 ; : : : ; xm g de taille m dont nous extra-
yons le sous-ensemble de S i de taille mi relatif a une classe !i :
S i = fx1; : : : ; xmi g
En supposant que ces donnees soient tirees independamment les unes des autres suivant la loi
de distribution p(xji ), la densite de probabilite de l'echantillon total s'ecrit :
Y
mi
L(i ) = p(S iji) = p(xi j i )
i=1
ou L(i ) est la vraisemblance du vecteur de parametres i pour l'echantillon S i .
La methode du maximum de vraisemblance consiste a prendre pour estimation î la valeur
du vecteur de parametres inconnu i qui maximise la vraisemblance que les donnees aient ete
produites a partir de la distribution p(xji ).
^ i = ArgMax
i 2
L(i )
Il est plus facile de minimiser l'oppose du logarithme de cette expression, d'ou :
^ i = ArgMin
i 2
f; log L(i)g
X mi (14.10)
= ArgMin ; ln p(xi ji )
i 2 i=1
Il est a noter que les estimateurs obtenus par la methode du maximum de vraisemblance sont
excellents 4 . Cependant cela n'en garantit pas la qualite pour des echantillons de taille reduite.
Pour la plupart des choix de fonctions de densite, l'optimum ^ i devra être estime en utilisant
des procedures numeriques iteratives (voir par exemple le chapitre 3). Pour certaines formes
fonctionnelles, notamment pour le cas particulier des densites normales (gaussiennes), la solution
optimale peut être determinee de maniere analytique, en cherchant la valeur de qui annule la
derivee de l'equation 14.10.
14.2.2 L'estimation des parametres d'une distribution gaussienne
On suppose ici que chaque classe possede une distribution de probabilite de forme pa-
rametrique. On traite en general uniquement le cas gaussien, c'est-a-dire que l'on suppose que
la distribution de probabilite de chaque classe est une loi normale, entierement denie par
l'ensemble des parametres = (; Q)> compose de son vecteur moyenne et de sa matrice de
covariance.
Faire une telle hypothese est un biais fort dont la validite peut eventuellement être contrôlee
par un test statistique ; il faut garder a l'esprit que cette supposition est dependante du choix
de l'espace de representation et ne possede aucune justication theorique a priori 5 . Mais elle
4. En termes techniques, asymptotiquement sans biais et de variance minimale.
5. La loi des grands nombres est souvent invoquee a tort pour justier ce biais.
permet d'obtenir une solution analytique simple et un algorithme peu complexe d'apprentissage
inductif dans IRd .
Rappelons que la moyenne d'une densite de probabilite p dans IRd est un vecteur de
dimension d et sa covariance une matrice Q(d d). Si E [p] denote l'esperance mathematique de
la variable aleatoire p, on a :
= E [x]
Q = E [(x ; )(x ; )T ]
Une distribution de probabilite gaussienne a pour caracteristique de pouvoir entierement
être denie par son vecteur moyenne et sa matrice de covariance. En supposant donc la classe
!i gaussienne, sa densite de probabilite s'ecrit, dans un espace multidimensionnel:
j Q j ;1=2 1
p(x j ! ) =
i
(2)d=2
exp ; (x ; ) Q (x ; )
2
T ;1
i i i (14.11)
Ce n'est qu'une generalisation de la denition en dimension d = 1, plus familiere :

p(x j !i) = p 1 exp ; (x ; i)2
22 (14.12)
2
Rappellons aussi (voir la gure 14.3) que la surface d'equidensite d'une distribution gaus-
sienne est une quadrique (a deux dimensions, c'est une ellipse).
Compte tenu des mi points d'apprentissage S i = fx1 ; :::; xj :::; xmi g, relatifs a la classe
wi (supposee gaussienne), il est demontre en annexe 18.5 que les meilleures estimations de sa
moyenne i et de sa matrice de covariance Qi au sens du maximum de vraisemblance (c'est-
a-dire celles qui maximisent la probabilite d'observer les donnees d'apprentissage) se calculent
simplement par :
1 X
mi
ci = mi xj (14.13)
j =1
ci = 1 X
mi
Q m (xj ; ci )(xj ; ci )T (14.14)
i j =1
14.2.2.1 Le resultat de l'apprentissage

On peut facilement interpreter dans le cas gaussien la regle bayesienne de decision en terme
de surfaces separatrices ; en eet, le lieu des points ou les probabilites d'appartenir aux deux
classes !i et !j sont egales a pour equation :
;1=2
p(x j !i ) = j Q2i jd=2 exp ;1=2(x ; i)T Q;i 1(x ; i )

;1=2 n o
= p(x j !j ) = j Qj d=
j exp ;1=2(x ; )T Q;1(x ; )
j j j
2 2
Apres simplication et passage au logarithme, on obtient une forme quadratique du type :
xT x + xT + = 0 (14.15)
ou la matrice , le vecteur et la constante ne dependent que de i , j , Qi et Qj . On constate
donc que faire une hypothese gaussienne sur la repartition de chaque classe revient a supposer
des surfaces de decision quadriques ; a deux dimensions, ce sont des coniques. La gure 14.3
montre un exemple de cette propriete.
Fig. 14.3 { A deux dimensions, la surface separatrice de deux classes gaussiennes bidimension-
nelles est une conique (ici une branche d'hyperbole en pointilles) et les surfaces
d'equidensite d'une distribution gaussienne sont des ellipses. On a represente pour
chaque classe l'ellipse d'equidensite telle que la probabilite d'appartenir a la classe
soit superieure a 0:5 quand on est a l'interieur de cette ellipse.
14.2.2.2 Un exemple a deux dimensions

Considerons l'ensemble d'apprentissage suivant, comportant huit exemples, quatre pour cha-
cune des deux classes :
0 1 3 4 4 7 8 5
S = ( 4 ; !1); ( 1 ; !1); ( 3 ; !1); ( 0 ; !1); ( 0 ; !2); ( 1 ; !2); ( 4 ; !2); ( 3 ; !2)
La modelisation gaussienne de la classe !1 amene les parametres suivants, en notant x1j les
vecteurs des exemples de cette classe :

c1 = 41 4j=1x1j = 14 04 ++ 11 ++ 33 ++ 40 = 22
X 4
Qc1 = 1 (x1j ; c1 )(x1j ; c1 )T
4 j =1
Pour j = 1, par exemple, le terme de cette somme vaut :

0 ; 2(0 ; 2 4 ; 2) = 4 ;4
4;2 ;4 4
On trouve au total :
1
4 ;4 1 1 1 1 4 ;4 5=2 ;3=2
c
Q1 = 4 ;4 4 + 1 1 + 1 1 + ;4 4 = ;3=2 5=2
5=8 3=8
D'ou : j Qc1 j= 4 et : Qc1 =
;1
3=8 5=8
De même, on trouve:
c2 = 62 , Qc2 = 53==22 3=2 , j Qc j= 4 et Qc ;1 = 5=8 ;3=8

5=2 1 2 ;3=8 5=8
Puisque les deux classes ont une matrice de covariance de même determinant, la surface
discriminante entre !1 et !2 est simplement denie par l'equation :
(x ; c1 )T Qd c1 ) = (x ; c2 )T Qd;2 1(x ; c2)
;1 ( x ;
1
5 3 x ; 2 5 ;3x ; 6
(x1 ; 2 x2 ; 2) 1 = (x1 ; 6 x2 ; 2) 1
3 5 x2 ; 2 ;3 5 x2 ; 2
Apres developpement, on trouve la surface d'equation :
(x1 ; 4)(x2 + 4=3) = 0
Autrement dit, cette surface separatrice est une hyperbole degeneree en deux droites qui
partage le plan en quatre zones, deux aectees a la classe !1 et deux a !2 . Cet exemple est
represente sur la gure 14.4.
x22 * 4
2 4
c c
2
1 24
4
2
4 x1
; 34 *
Fig. 14.4 { Deux classes supposees gaussiennes sont representees chacune par quatre points
d'apprentissage notes par 2 et 4. L'estimation des moyennes c1 et c2 est indiquee.
La surface separatrice entre les deux classes est l'hyperbole degeneree composee des
deux droites en pointille. Par consequent, les deux points * sont classes comme ap-
partenant a la classe 2.
14.2.3 Des hypotheses simplicatrices
Dans un espace de dimension d avec C classes, le nombre de parametres evalues par les
formules 14.13 et 14.14 est d pour chaque moyenne, et d(d + 1)=2 pour chaque matrice de co-
variance, qui est symetrique ; soit au total : (d2 + 3d)=2 parametres par classe et C (d2 + 3d)=2
au total. Si le nombre mi de points de la classe courante est faible, la precision de ces estima-
tions est mauvaise. On peut donc être amene a faire des hypotheses plus simples ; par exemple
supposer que toutes les classes ont la même matrice de covariance, ou que celle-ci est diagonale
pour chaque classe, ou même les deux a la fois. Voyons les consequences de chacun de ces biais
supplementaires.
Toutes les classes sont supposees avoir la même matrice de covariance
Dans ce cas, l'estimation des valeurs de la matrice de covariance par la formule 14.14 peut
se faire une seule fois sur tous les points de l'ensemble d'apprentissage et non plus classe par
classe. Ceci conduit donc a une matrice unique que l'on note Qb ; les moyennes sont cependant
estimees separement pour chaque classe par une valeur m ci. Le nombre de parametres a estimer
vaut : Cd + (d2 + d)=2 .
La regle de decision peut être interpretee de la facon suivante : pour un point inconnu x, on
mesure sa \distance de Mahalanobis\ aux vecteurs moyens de chaque classe et on lui attribue
la classe la plus proche au sens de cette distance. Celle-ci s'exprime par la formule :
DM (x; !i ) = (x ; ci )T Qb(x ; ci ) (14.16)
Cette regle de decision revient implicitement a faire une transformation lineaire des coordonnees
de chaque point et a prendre la classe dont le centre de gravite est alors le plus proche. Cette
transformation (( allonge )) chaque axe proportionnellement a la valeur propre correspondante
dans Qb.
Les surfaces separatrices sont des hyperplans : on se trouve donc ici a une intersection tres
simple des methodes bayesiennes et des methodes de surfaces separatrices lineaires decrites au
chapitre 9.
La classication bayesienne nave
On suppose ici que chaque classe possede une matrice de covariance diagonale. Cette hy-
pothese revient a dire que les attributs sont statistiquement decorreles. Ceci n'etant en general
pas vrai, on introduit la un autre type de biais. Cette hypothese mene a l'estimation de 2Cd
parametres et conduit a des separatrices quadriques de formes particulieres (mais pas des hy-
perplans). Cette hypothese est souvent appelee la methode bayesienne nave.
Dans cette simplication, la probabilite d'observer xT = (x1 ; : : : ; xd ) pour un point de n'im-
porte quelle classe !i est la probabilite d'observer x1 pour cette classe, multipliee par celle
d'observer x2 pour cette classe, etc. Donc, par hypothese :
Yd
! = ArgMax P (!i ) p(xi j !i)
i2f1;:::;C g i=1
Le probleme de trouver la classe
! = ArgMax [P (!i j x)]
i2f1;:::;C g
se ramene donc ici a estimer pour chaque classe la valeur p(x1 ; : : : ; xd j !i )P (!i ) a partir des
donnees d'apprentissage.
Chaque classe a une matrice de covariance proportionelle a la matrice identite I

Cette hypothese impose de plus une isotropie a l'espace de representation. Elle permet de
n'avoir a estimer que C (d + 1) parametres. Les surfaces qui discriminent chaque classe d'une
autre ne sont des hyperplans que si les variances des deux classes sont egales, mais dans ce cas
ils sont de plus paralleles aux axes.
14.2.4 Les cas non gaussiens et multigaussiens
On a dit plus haut que le seul cas parametrique que l'on traitait analytiquement etait celui
de la distribution gaussienne. Ce n'est pas tout a fait exact : on sait en particulier aussi resoudre
le probleme en modelisant les classes par des distributions uniformes sur des volumes nis, ou
par des distributions exponentielles ; mais ces solutions ne possedent pas beaucoup d'interêt
pratique.
Une autre cas plus interessant est celui ou l'on suppose que les classes possedent une distri-
bution de probabilite qui est la somme ponderee de M distributions gaussiennes. Il sera traite
dans le chapitre 15 dans le cadre des methodes d'apprentissage non supervise.
14.2.5 La prediction bayesienne de la distribution des parametres
Au lieu de chercher a identier une distribution sous-jacente aux donnees par estimation
d'une fonction parametree, on peut resoudre directement le probleme de la prediction de la
valeur yi correspondant a l'observation xi . Pour cela, il existe une approche conceptuellement
tres interessante et idealement optimale, même si elle est dicile a mettre en pratique et necessite
de nombreuses approximations.
L'idee essentielle est la suivante. Au lieu de chercher la valeur optimale des parametres 6 en
maximisant leur vraisemblance sur les donnees, on decrit ces parametres comme des distributions
de probabilites. Celles-ci sont initialement xees sous forme d'une distribution a priori, puis
transformees en distribution a posteriori par l'utilisation du theoreme de Bayes. Au lieu de
chercher une valeur specique de , on cherche donc ici a trouver la distribution des valeurs
s'adaptant le mieux aux donnees (voir la gure 14.5). La prediction pour l'evenement x se fait
alors en ponderant les valeurs predites de par la probabilite a posteriori correspondante.
Nous avons deja rencontre cette idee de (( vote )) des hypotheses dans d'autres contextes,
comme celui du boosting d'un algorithme d'apprentissage (11).
Reprenons les notations precedentes, en remarquant que cette fois est un vecteur 7 aleatoire
de densite de probabilite p() connue.
On cherche la densite du vecteur x etant donne l'echantillon S :
Z
p(xjS ) = p(x; jS ) d()
La formule de Bayes permet d'ecrire :
p(x; jS ) = p(xj; S ) p(jS )
Le premier facteur est independant de S puisque nous supposons que la valeur de la densite de
x est entierement xee par la valeur du vecteur des parametres .
6. Dans le cas de l'hypothese d'une distribution gaussienne, ces parametres sont la moyenne et la matrice de
covariance Q.
7. L'ensemble des parametres est regroupe sous la forme d'un vecteur.
p(h|S)
a posteriori
p(h)
a priori
H
Fig. 14.5 { Illustration schematique de la methode de prediction bayesienne. Soit un parametre

caracterisant la dependance fonctionnelle entre les entrees et les sorties. La distri-
bution a priori represente notre connaissance initiale sur la distribution possible de
qui est typiquement assez lâche. Une fois que les donnees d'apprentissage ont ete
prises en compte, la distribution a posteriori calculee par le theoreme de Bayes est
generalement beaucoup plus focalisee autour d'une ou plusieurs valeurs speciques
qui sont les plus coherentes avec les donnees. Il est alors possible d'utiliser cette
distribution pour calculer une prediction pour une observation nouvelle xn .
Nous avons donc :

Z
p(xjS ) = p(xj) p(jS ) d (14.17)
Ainsi, au lieu de chercher une valeur specique de , la methode de prediction bayesienne
calcule une moyenne ponderee sur toutes les valeurs de .
Le facteur de ponderation p(jS ), qui est la distribution a posteriori de , est determine
en partant d'une distribution choisie a priori p( ) qui est ensuite mise a jour par utilisation
de la regle de Bayes sur l'echantillon d'apprentissage S . Comme les exemples de cette sequence
sont supposes resulter d'un tirage aleatoire suivant une certaine distribution sous-jacente (tirage
i.i.d.), on peut ecrire :
Y
m
p(Sj) = p(xi j)
i=1
en utilisant a nouveau le theoreme de Bayes :
Y
p(jS ) = p(Sjp(S) )p() = pp((S))
m
p(xi j) (14.18)
i=1
ou le facteur de normalisation p(S ) est donne par :
Z Y
m
p(S ) = p( )
0
p(xij )d0 0
i=1
R
ce qui assure que p(jS )d = 1.
L'evaluation d'une integrale comme celle de l'equation 14.17 n'est possible de maniere ana-
lytique que pour une classe de fonctions de densite pour lesquelles la densite a posteriori p(jS )
a la même forme que la densite a priori p( ). Dans ce cas particulier, on parle de densites au-
toreproductibles [DH73]. L'exemple le plus commun de telles densites est celui de la distribution
normale (gaussienne).
Illustration avec une loi normale unidimensionnelle
Supposons que les observations x soient decrites par une mesure unidimensionnelle qui suit
une loi normale de moyenne inconnue et de variance connue.
L'approche de la prediction bayesienne nous dicte de chercher la densite de probabilite de la
variable aleatoire en fonction des donnees d'apprentissage S . Nous supposons que le parametre
suit egalement une loi normale de moyenne 0 et de variance 0. Pour exprimer notre ignorance
a priori sur la valeur de , nous prenons une grande valeur pour la variance 0 .
p0 ( ) = 1 exp ; ( ; 0 )2
(202 ) 21 202
La donnee d'une sequence d'apprentissage S permet de reviser cette densite de probabilite en
utilisant le theoreme de Bayes suivant l'equation (14.18) :
Y
p(jS ) = pp0((S)) p(xij)
m
i=1
En utilisant le fait que :
p(xj) = (212 )1=2 exp ; (x 2;2)
2
il est facile de montrer que la distribution a posteriori p(jS ) est egalement normale avec :
2 2
= mm 0 x +
m02 + 2 0 (14.19)
0 +
2 2
1 m 1
2 = 2 + 02 (14.20)
P
ou x est la moyenne : x = m1 mi=1 xi .
Ces equations montrent qu'au fur et a mesure que le nombre m de donnees augmente, la
moyenne de la distribution a posteriori approche la moyenne de l'echantillon d'apprentissage
x . De même, l'ecart type decro^t vers zero.
Ainsi l'approche de la prediction bayesienne calcule une moyenne ponderee sur toutes les
valeurs de au lieu de choisir une valeur specique. Cependant si la densite a posteriori p(jS )
presente un pic etroit centre sur une valeur ^ , alors p(jS ) p(hj^ ), et nous retrouvons le
resultat donne par la methode du maximum de vraisemblance. Cela arrive generalement pour
les echantillons d'apprentissage de grande taille.
Bien que cela ne soit pas le sujet de ce chapitre, il est utile de noter des a present que le
principe du maximum de vraisemblance et l'apprentissage bayesien ne se prêtent pas aux mêmes
methodes de calcul. Le premier se traite comme un probleme d'optimisation : il faut chercher le
minimum d'une fonction d'erreur. En revanche, dans le second, l'essentiel du calcul implique une
integration sur des espaces de grandes dimensions. Dans ce dernier cas, les methodes classiques
d'integration ne conviennent pas et il faut se tourner vers des methodes approchees, par exemple
les methodes de Monte-Carlo (voir le chapitre 3).
14.3 L'apprentissage bayesien non parametrique
14.3.1 Generalites : le probleme de l'estimation locale d'une densite
Les methodes non parametriques traitent de l'estimation d'une densite de probabilites pour
laquelle aucune regularite fonctionnelle n'est supposee a priori. Ces methodes reposent cependant
sur l'hypothese fondamentale que les distributions ou fonctions recherchees sont localement
regulieres.
Soit une densite de probabilite inconnue p(x). La probabilite Q pour qu'une forme x issue
de cette distribution soit observee dans la region R 2 X est :
Z
Q= p(u)d(u)
R
L'annexe 18.4 explique comment on obtient une bonne estimation de Q a partir de la moyenne
des points observes dans la region R :
Q k=m: (14.21)
Par ailleurs, en faisant l'hypothese que la densite cherchee p(x) est continue et ne varie pas
signicativement dans la region R, on peut faire l'approximation :
Z
Q= p(u) du p(x) V (14.22)
R
ou V est le volume de la region R.
De (14.21) et (14.22) on deduit :
k
p(x) mV (14.23)
Application a l'apprentissage d'une regle de classication
Dans le cas ou l'on cherche a apprendre une regle de classication, la methode bayesienne
consiste a estimer en un point x donne la densite de probabilite de chaque classe an de choisir
celle qui possede la valeur la plus grande.
Nous omettons dans ce qui suit l'indice correspondant au numero de classe, puisque le
probleme est le même pour chaque classe. Comme ce n'est qu'apres l'estimation separee pour
chaque classe qu'on les compare, on peut faire comme s'il n'y avait qu'une seule densite de
probabilite a estimer.
Neanmoins nous allons indexer les termes par m, la taille de l'echantillon : on verra que cette
precision est necessaire quand on etudie les proprietes de convergence.
On suppose donc être en possession de m points de IRd obtenus par tirages independants
selon une densite qui caracterise la classe !. Comment estimer p(x j !) au point x a partir
d'un ensemble d'apprentissage? Le principe vient d'être explique : on denit autour de x une
certaine region Rm (en pratique, une hypersphere ou un hypercube) et on compte le nombre km
de points de l'echantillon d'apprentissage qui sont inclus dans ce volume (gure 14.6).
On a vu que l'estimateur de p(x j !) pour un echantillon de taille m se denit par :
pcm (x j !) = kmV=m (14.24)
m
ou Vm est le volume de la region Rm consideree.
2 2 2
2 2
2
2
2
2 2
2
A
2 2
2 2
2
22 2
2
2
B 2 2
2
2
2 2 2
22
2 2
Fig. 14.6 { Les points 2 sont des tirages ind ependants selon une certaine distribution dans le
plan IR2 , dont la densite est plus forte au point A qu'au point B . En eet, pour le
même volume autour du point A et du point B , km vaut respectivement 6 et 1 . Pour
avoir km = 6 autour du point B , il faut augmenter le volume.
On peut demontrer (voir l'annexe 18.4) que, quand m augmente, cet estimateur converge
vers la valeur cherchee p(x j !), quand les conditions suivantes sont remplies :
lim V = 0
m!1 m
lim k = 1
m!1 m
lim (k =m) = 0
m!1 m
Il y a en pratique deux solutions pour remplir ces conditions :
Soit denir Vm a partir d'une region R0 de forme et de volume V0 xes : par exemple un
hypercube de côte unite, mais on verra que c'est loin d'être le seul cas possible. On prend
alors :
Vm = V0 =f (m)
ou f est une fonction croissante de m. Ceci conduit aux methodes des fonctions noyau, en
particulier aux fenêtres de Parzen.
Soit xer le nombre km , se donner une famille de volumes parametree par une variable
(par exemple les hyperspheres centrees en x, de rayon variable) et ajuster cette variable
pour que le volume contienne exactement km points de l'ensemble d'apprentissage. Cette
technique d'estimation est connue sous le nom de methode des k-plus proches voisins.
Utilisee dans le probleme de la classication, elle se traduit par un algorithme qui ne
necessite pas l'estimation explicite de la densite de chaque classe au point a classer, mais
en permet plus simplement un choix direct.
14.3.2 Les fonctions noyau et les fenêtres de Parzen
Une fonction noyau (kernel) K est une fonction bornee sur X d'integrale egale a 1. On
suppose en general que K presente un pic centre en 0. Par consequent, K (xi ; xj ) determine
une mesure de proximite entre les points xi et xj . On impose aussi en general que cette fonction
soit symetrique : K (;x) = ;K (x). Dans cette perspective, l'estimation locale de la densite p(x)
est prise comme une somme ponderee des exemples xj ponderee par leur distance a x :
X
m
p^(x) = m1 K (x ; xj )
j =1
ce qui peut aussi être interprete comme une moyenne des fonctions noyau centrees sur chaque
exemple.
Pour une classe !k donnee, on a :
P
p^(!k ) K (x ; xi )
p^(kjx) = PC p^( !k ) p
^ k (x ) = mPk C p^x(i!2i!) k
i=1 p^(!i ) pî (x) i=1 ni K (x ; xi )
Si les probabilites des classes sont estimees par le rapport mk =m ou mk est le nombre d'exemples
de la classe !k et m le nombre total d'exemples, on en deduit :
P K (x ; x )
p^(kjx) = Pxmi 2!kK (x ; x )i (14.25)
i=1 i
ce qui revient a prendre la proportion ponderee d'exemples autour de x de la classe !k .
Une diculte de ces methodes est le choix de la fonction K . Une autre diculte provient
de leur mediocre capacite a être utilisees dans des espaces de representation X de grande di-
mension. En eet, les estimations sont fondees sur la determination d'un volume dans l'espace
des donnees. Or, dans les espaces de grande dimension, un volume qui couvre susamment de
donnees n'est plus valide pour une estimation locale, car son rayon tend a devenir grand par
rapport a l'intervalle des valeurs possibles pour les donnees.
Le paragraphe suivant explore ces methodes d'estimation par voisinage dans X . Les cas
des fonctions noyau denies comme des hypercubes ou des distributions gaussiennes y sont en
particulier traites. La methode qui en resulte s'appelle la methode des fenêtres de Parzen.
14.3.2.1 Les fenêtres de Parzen : le cas elementaire
Commencons en denissant le volume elementaire Rm comme un hypercube de cote hm
centre en x. On a dans ce cas :
Vm = hdm
pcm (x) = mV1 ii==1m (xh; xi)

m m
ou est la fonction caracteristique de l'hypercube unite :
(xi) = 1 si x 2 [;1=2; 1=2]
(xi ) = 0 sinon
Les conditions de convergence citees plus haut au paragraphe 14.3.1 sont remplies par exemple
en prenant, pour une valeur h0 xee:
hm = hm0
La formule 14.24 denit par consequent l'estimateur de p(x j !). km est le nombre de points
d'apprentissage de la classe ! inclus dans l'hypercube centre en x de côte hm . En pratique, pour
estimer pm (x j !), il ne reste qu'a xer la valeur h0 : on en deduit la valeur de hm , puis celle de
pcm (x j !) par comparaison des coordonnees des points de l'ensemble d'apprentissage avec celles
de x.
2 22 2
h0
Fig. 14.7 { Estimation de densite par la methode des fenêtres de Parzen. Il y a quatre points
d'apprentissage, dans un espace a une dimension. les hypercubes sont des segments
de largeur h0 centres sur les points d'apprentissage. La densite (en trait plein) est
calculee comme la somme des fenêtres centrees sur chaque point. Ici, cette fenêtre
est etroite (h0 est petit) : la densite resultante est peu lisse. La surface sous la courbe
en trait plein est egale a 1.
2 22 2
h0
Fig. 14.8 { La même estimation pour h0 plus grand : la densite est estimee de maniere plus lisse.
Le choix de h0 in ue sur le resultat de la facon suivante : si cette valeur est choisie petite,
la probabilite estimee que le point x ait ete engendre par le processus ! est nulle partout, sauf
au voisinage immediat des points de l'ensemble d'apprentissage; on a donc dans ce cas modelise
p(!) comme un (( peigne )). Si elle est choisie grande, p(!) est en revanche modelisee de maniere
(( lisse )) (gures 14.7 et 14.8).
14.3.2.2 Generalisation a des fonctions noyau gaussiennes
La technique precedente a l'avantage de se reduire a un algorithme simple, mais presente
l'inconvenient de la sensibilite du choix de la valeur h0 . D'autre part, des que l'on s'eloigne des
points d'apprentissage, la densite est estimee comme nulle. On peut remedier a ce probleme en
s'arrangeant pour que l'appartenance au volume elementaire Vm autour du point x ne soit plus
une fonction caracteristique (a valeur binaire) d'appartenance a un volume, mais une probabilite.
C'est ce qui a ete presente ci-dessus en introduction : la densite est estimee comme la somme
de noyaux, qui sont donc des densites elementaires centrees sur les points d'apprentissage. Sou-
vent, ces noyaux sont des distributions gaussiennes (voir la gure 14.9). Le resultat est plus ou
moins lisse selon la valeur de la variance, mais il n'y a plus de point de l'espace ou la densite soit
estimee comme nulle. Sans entrer dans les details, on peut voir intuitivement cette generalisation
Fig. 14.9 { Fenêtres de Parzen : estimation avec un noyau gaussien.
de la facon suivante : pour estimer la valeur pm (x j !), on additionne sur les m points de l'en-
semble d'apprentissage des valeurs entre 0 et 1 qui sont fonction de la distance entre x et le
point courant, avant de diviser cette somme par un coecient normalisateur. Cette fonction
n'est donc plus binaire comme dans le cas precedent, mais calculee de facon continue. On doit
evidemment la choisir (ainsi que la normalisation nale) de facon que pm (x j !) soit eecti-
vement une estimation de densite de probabilite. La gure 14.9 montre l'estimation realisee a
partir des mêmes points que dans les gures 14.8 et 14.7 pour des noyaux gaussiens.
14.3.3 Les k-plus proches voisins (k-ppv)

L'un des problemes avec les methodes par fonctions noyau provient de ce que leur taille
est xe. Si celle-ci est trop grande, l'approximation peut être trop (( lissee )) par rapport a la
realite. Si elle trop petite, l'estimation dans des regions de faible densite peut être nulle ou tres
approximative. Il faudrait donc que cette taille soit fonction de la position dans l'espace X . C'est
ce que realise la methode par plus proches voisins.
Dans celle-ci, le nombre k de points dans la region autour de x est xe et on fait au contraire
varier le volume V . On considere donc une hypersphere (en general on utilise une distance eucli-
dienne) centree en x et on fait varier le rayon jusqu'a ce qu'elle contienne k points. L'estimation
de la densite est alors donnee par le rapport k=mV ou m est le nombre total de points dans
l'echantillon de donnees.
D'un certain côte, cela revient a choisir une fonction noyau simple, constante sur l'hyper-
sphere contenant les k points et nulle ailleurs. Mais cela permet de passer directement a une
regle de decision : on classe une forme inconnue x en prenant la classe qui est majoritaire dans
les k points d'apprentissage les plus proches. Cette regle est appelee regle des k-plus proches
voisins (k-nearest-neighbour classication rule) ou k est le nombre de voisins consideres.
Dans le cas ou k = 1, la regle s'appelle la regle de classication du plus proche voisin. Elle
assigne a x simplement la même etiquette que le point d'apprentissage le plus proche. Dans ce
cas, les frontieres de decision dans l'espace X prennent la forme d'un pavage convexe (voir la
gure 14.12). Il est remarquable que cette regle extrêmement simple possede un comportement
asymptotique excellent vis-a-vis du risque minimal de Bayes, comme on le verra au paragraphe
14.3.3.2.
Il est conseille de se reporter a [DH73] et [DK82] pour une etude approfondie des methodes
de plus proches voisins. Le lecteur francophone lira avec prot [CL96].
14.3.3.1 Le principe
La regle de decision par k-ppv est facile a illustrer, comme sur la gure 14.10.
3 3 3
3 3
3
3
3
3
2
2
2 2
3 2
2
2 2 2
Fig. 14.10 { Decision par 1-ppv et 3-ppv dans un ensemble d'exemples appartenant a deux
classes.
On y a represente un probleme a deux classes : les points a classer sont notes et les points
alentour sont les donnees d'apprentissage, appartennant soit a la classe notee 2, soit a celle notee
3. On cherche, au sens de la m etrique choisie pour le probleme (sur ce dessin, euclidienne), les
k-plus proches voisins des points x ; pour k = 1, dans les deux cas, c'est un des points notes 2.
On aecte donc aux deux points a classe 3. Pour k = 3, le voisinage du premier point compte
deux points 3 et un point 2 : c'est la classe 3 qui est majoritaire, et ce point est classe comme
appartenant a la classe 3. Pour l'autre point, la decision pour k = 3 conrme l'appartenence a
la classe 2.
La gure 14.11 represente la même operation pour un probleme a trois classes. Pour k = 1,
les points sont classes comme 2 ; pour k = 3, la regle de decision produit une ambigute pour
le premier point : on ne peut pas se decider entre les trois classes.
L'algorithme de la methode est donne en 14.1.
3 3 3
3 3
3
3
3
3
2
2
2 2
3 2
4
44444
2
2 2 2
4 4 4
44
44
Fig. 14.11 { Decision par 1-ppv et 3-ppv dans un ensemble d'exemples appartenant a trois
classes.
Algorithme 14.1 Algorithme des k-plus proches voisins

Debut
On cherche a classer le point x
pour chaque exemple (y; !) de l'ensemble d'apprentissage faire
calculer la distance D(y; x) entre y et x
n pour
Dans les k points les plus proches de x
compter le nombre d'occurences de chaque classe
Attribuer a x la classe qui appara^t le plus souvent
Fin
14.3.3.2 La validite bayesienne

Quelle est la validite de cette regle en apparence nave ? Elle est conforme aux regles de
l'estimation bayesienne denies au paragraphe 14.3.1, sous l'hypothese que les probabilites a
priori des classes sont bien estimees par leur proportion d'echantillons d'apprentissage.
La regle des k-ppv fait implicitement une estimation comparative de toutes les densites
de probabilites des classes apparaissant dans le voisinage de x et choisit simplement la plus
probable : elle approxime donc la decision bayesienne.
Pour s'en convaincre, il sut de supposer que les m points de l'ensemble d'apprentissage
comportent mi points de la classe !i et que sur les k-plus proches voisins de x, il y a kmi points
de cette classe. On a, d'apres l'equation 14.24 :
pcm(x j !i ) = kmVi =mi

m
On fait maintenant l'hypothese que mi =m est un estimateur de P (!i ), la probabilite a priori

de la classe de rang i. On peut donc noter : mi =m = Pcm (!i ).
On en deduit :
kmi = m:Vm :pcm(x j !i ):Pcm (!i )
Par consequent, la classe qui a le plus de points d'apprentissage dans les km (celle pour
laquelle la valeur kmi est maximale) est aussi celle qui maximise la valeur pm (x j !i):Pcm (!i ) qui
est egale, par la regle de Bayes, a : Pcm (!i j x):p(x). Cette classe est donc celle qui maximise la
valeur Pcm (!i j x). Son choix approxime par consequent la regle de classication bayesienne.
Rappellons que tout ce calcul ne vaut que si mi =m est un estimateur de P (!i ). Il faut donc
n'appliquer la regle des k-ppv qu'apres s'être assure de la validite de cette hypothese.
14.3.3.3 Quelques proprietes de convergence

Il est assez facile de demontrer que la probabilite d'erreur Rk;ppv de la regle des k ; ppv
converge vers le risque bayesien RB quand m, le nombre total d'echantillons, cro^t vers l'inni,
et ceci pour tout k. Cette propriete est demontree en annexe 18.6 pour k = 1.
On a de plus les proprietes suivantes, dans le cas de deux classes, toujours a la limite sur m :
RB Rk;ppv R(k;1);ppv R1;ppv 2RB (14.26)

avec :
r
2
Rk;ppv RB + R1;ppv k (14.27)
et pour un nombre quelconque C de classes :
R1;ppv RB (2 ; C C; 1 RB ) (14.28)
Ces formules valident donc l'intuition que l'augmentation de k ameliore l'estimation realisee ;
en même temps, elles prouvent que la regle simple du plus proche voisin (1-ppv) est asymptoti-
quement ecace. On resume souvent plaisamment la formule 14.26 par l'expression : (( la moitie
de l'information sur la classication optimale d'un point inconnu est disponible dans son seul
plus proche voisin )).
Mais les formules ci-dessus ne sont valables que pour m assez grand, ce qui est une remarque
pratique importante. Pour plus de details, on peut se reportera avec prot a [Rip96] (pp.192-197).
14.3.3.4 Considerations pratiques
Bien sûr, dans la problematique de l'apprentissage, le nombre m est ni ; il faut alors trouver
un compromis entre une valeur faible de k, qui semble moins favorable selon les formules ci-
dessus, et une valeur exagerement grande 8 . Diverses consid
p erations theoriques et experimentales
menent a l'heuristique suivante : choisir k autour de m=C ou m=C est le nombre moyen de
points d'apprentissage par classe. On remarquera que d, la dimension de l'espace de representation,
n'appara^t pas dans cette formule.
8. Prendre k = m mene a au resultat suivant : tous les points seront classes comme appartenant a la classe la plus
nombreuse dans l'ensemble d'apprentissage ; seule l'estimation a priori des classes compte alors.
Un autre probleme pratique est : quelle decision prendre en cas d'egalite ? On peut augmenter
k de 1 pour trancher le dilemme, mais s'il y a plus de deux classes, l'ambigute peut subsister.
Une autre solution consiste a tirer au hasard la classe a attribuer au point ambigu ; son analyse
montre qu'elle n'est pas mauvaise.
Enn, un grand nombre d'auteurs ont propose des variantes de la regle du k-ppv ; par
exemple, au lieu de compter simplement les points de chaque classe parmi les k (ce que l'on
peut traduire par : les faire voter avec une voix chacun), on a pense ponderer ces votes par la
distance au point x, qui est de toute facon calculee. On est dans ce cas dans des methodes
intermediaires entre les k-plus proches voisins et les fenêtres de Parzen.
14.3.3.5 Les surfaces separatrices de la regle de decision k-ppv
Il est courant d'appeller zone de Vorono d'un exemple le lieu des points de IRd qui sont plus
proches de cet exemple que de tout autre exemple.

Des considerations geometriques permettent de prouver que la zone de Vorono d'un exemple
est l'intersection de m ; 1 demi-espaces, denis par les hyperplans mediateurs entre cet exemple
et tous les autres. La zone de Vorono d'un exemple est donc un volume convexe (pour d = 2,
c'est un polygone convexe) et la frontiere entre deux zones de Vorono est un (( polygone )) en
dimension d ; 1.
Pour k = 1, la surface separatrice entre deux classes est la surface separatrice entre les deux
volumes obtenus en faisant l'union des surfaces de Vorono des exemples de chaque classe (voir
la gure 14.12). On peut montrer que pour k > 1, les separatrices sont encore des hyperplans
par morceaux.
3 1 3 2 3 3
3 9 2 4
3 7 2 5
2 8 2 10 2 6
Fig. 14.12 { Un ensemble de points appartenant a deux classes et leurs zones de Vorono. La
separatrice entre les deux classes par la regle de decision 1 ; ppv est en trait plein.
14.3.3.6 Algorithmique avancee pour les k-ppv

L'algorithme de base de la decision par k-ppv consiste a calculer les m distances du point
x a classer aux points d'apprentissage, et a trouver au fur et a mesure les k plus faibles dis-
tances parmi les m, pour choisir la classe majoritaire dans les k points d'apprentissage ainsi
selectionnes. C'est a chaque fois un calcul en O(m d) qu'il faut eectuer pour prendre une
decision. Ceci est a comparer a la quantite de calculs que requiert une decision quand l'ensemble
d'apprentissage a ete (( compile )) par apprentissage parametrique, par exemple sous la forme de
distributions gaussiennes explicites : au plus en O(Cd2 ). En general, la comparaison n'est pas a
l'avantage de la regle des k-ppv, en tout cas des que l'on dispose d'un ensemble d'apprentissage
un peu consequent, comme il faut le souhaiter. C'est pourquoi une algorithmique particuliere
a ete developpee, visant soit a reduire l'ensemble d'apprentissage (methodes de nettoyage et de
condensation) sans changer le resultat des futures decisions par k-ppv, soit a l'organiser sous des
structures de donnees permettant d'accelerer la decision (methodes rapides de k-ppv).
Nettoyage et condensation de l'ensemble d'apprentissage
Le nettoyage d'un ensemble d'apprentissage est une technique tres generale, reliee mathema-
tiquement aux methodes de validation statistique d'un apprentissage. On la presente ici comme
une technique inseparable de l'algorithme de condensation : l'usage recommande en eet de ne
pas utiliser le second sans le premier.

Algorithme 14.2 Algorithme de nettoyage
Debut
Diviser aleatoirement l'ensemble d'apprentissage en deux sous-ensembles S1 et S2
tant que la stabilisation de S1 et S2 n'est pas realisee faire
Classer tous les points de S1 sur S2 par la regle du 1-ppv
Eliminer de S1 tous les points dont la classe
n'est pas la même que celle de leur plus proche voisin dans S2
Classer tous les points de S2 sur le nouveau S1 par la regle du 1-ppv
Eliminer de S2 tous les points dont la classe
n'est pas la même que celle de leur plus proche voisin dans S1
n tant que
L'ensemble d'apprentissage nettoye est compose de S1 [ S2
Fin
Algorithme 14.3 Algorithme de condensation

Debut
Ordonner les m exemples d'apprentissage de x1 a xm
Initialiser S par x1 et G par x2 a xm
tant que S et G ne sont pas stabilises faire
pour Chaque point gi de G faire
si Le 1 ; ppv de gi dans S n'a pas la même classe que gi alors
Enlever gi de G et le mettre dans S
n si
n pour
n tant que
L'ensemble d'apprentissage condense est S
Fin
L'algorithme de nettoyage n'est pas tres utile en soi, dans la mesure ou il reduit generale-
ment assez peu la taille de l'ensemble d'apprentissage ; mais il constitue un pretraitement tres
ecace a la condensation. En eet, la même idee guide ces deux algorithmes : eliminer les points
inutiles du point de vue de la decision par plus proche voisin. Mais ils ne s'interessent pas a
l'elimination des mêmes points : la condensation ne garde que les points proches de la frontiere
des classes ; le nettoyage elimine les points isoles et par consequent denit ces frontieres comme
plus simples. Sur les exemples des gures 14.14, 14.15,14.16 et 14.17, on voit quatre versions
du même ensemble d'apprentissage (a deux dimensions et a deux classes) : son etat original, le
resultat de son nettoyage, le resultat de sa condensation et celui de la condensation apres le
nettoyage.
3 1 3 2 3 3
3 12 3 13
3 14
3 16
3 18
3 9 2 411
2
2 2 15 19
3 7 2 5
2 17
2 8 2 10 2 6
Fig. 14.13 { Un ensemble d'exemples appartenant a deux classes. La surface separatrice par
la regle du 1-ppv est une ligne brisee composee de segments de mediatrices entre
couples de points de classe dierente.
3 1 3 2 3 3
3 9 2 4
3 7 2 5
2 8 2 10 2 6
Fig. 14.14 { Le même ensemble d'exemples, simplie.
Ces methodes sont valides au sens ou elles ne changent pas le resultat de la classication
par k-ppv quand le nombre m d'exemples augmente indeniment. En pratique, il a ete constate
que leur ecacite diminue considerablement quand la dimension d de l'espace de representation
3 1 3 3
3 7
2 8 2 10
Fig. 14.15 { L'ensemble simplie apres condensation et la nouvelle surface separatrice par la
regle du 1-ppv.
3 1 3 2
3 9 2 4
3 7 2 5
2 10 2 6
Fig. 14.16 { L'ensemble simplie apres nettoyage et la nouvelle surface separatrice par la regle
du 1-ppv.
augmente, même si le nombre des points de l'ensemble d'apprentissage augmente en proportion.

Parcours accelere de l'ensemble d'apprentissage
Les methodes precedentes ont pour but de reduire la taille de l'ensemble d'apprentissage
et donc en proportion le temps necessaire au classement d'un point inconnu. Il existe d'autres
techniques pour reduire ce temps tout en preservant exactement l'ensemble d'apprentissage. La
plupart sont basees sur l'inegalite triangulaire de la distance euclidienne . On suppose pour
cette methode que l'on a calcule par avance toutes les distances entre les points d'apprentissage.
L'idee est alors la suivante : soit x le point a classer ; on est en train de parcourir l'ensemble
des points d'apprentissage et le plus proche voisin de x est pour le moment un certain point
d'apprentissage y a la distance (x; y ) = . Soit z le point suivant dans l'ensemble d'appren-
3 1
2 4
3 7
2 10
Fig. 14.17 { L'ensemble simplie apres nettoyage puis condensation.
z b v b x
1 b
y
v3 v2
Fig. 14.18 { Methode acceleree de recherche du plus proche voisin. Le ppv courant de x est y, a
la distance . Le point d'apprentissage suivant, z , n'est pas a distance inferieure a
de x. Aucun point du type v1 ou v2 ne peut plus être le ppv de x. En revanche,
il faudra calculer la distance (x; v 3 ).
tissage. Si (x; z ) , on reactualise et y. Sinon, on peut armer que parmi tous les points
d'apprentissage restant a examiner, on doit denitivement eliminer deux categories :
ceux qui sont situes a l'interieur de la boule de centre z et de rayon (x; z ) ; .
ceux qui sont a l'exterieur de la boule de centre z et de rayon (x; z ) + .
En eet, pour tout point v, le triangle (x; v; z ) verie :
(x; z ) (x; v) + (v; z )
Si v est un point d'apprentissage restant appartenant a la premiere categorie, on a :
(v; z ) (x; z ) ;
soit :
(v; z ) + (x; z )
Donc en combinant les deux inegalites :

(v; z ) + (x; v ) + (v; z )
d'ou :
(x; v )
ce qui prouve que le point v ne peut pas être le plus proche voisin de x.
Un raisonnement analogue mene a eliminer les points appartenant a la seconde categorie
(voir la gure 14.18).
Algorithme 14.4 Recherche rapide du plus proche voisin
Debut
On cherche le ppv de x dans A = fy 1 ; : : : ; ym g

Calculer toutes les distances (yi ; yj ) ; = +1 ; i = 1 ;
tant que i < m et yi non marque faire
Calculer (x; yi )
si (x; yi) < alors
= (x; yi ) ; ppv = y i;
sinon
j = i + 1;
tant que j m faire
si (yi ; yj ) (x; yi) ; ou(yi; yj ) (x; yi) + alors
marquer yj
n si
n tant que
n si
n tant que
Fin
En utilisant ce principe brutalement, il faut pour commencer calculer m(m ; 1)=2 distances,
ce qui prend evidemment du temps ; cependant, ce calcul n'est a faire qu'une seule fois, alors
que la decision de classement d'un point inconnu est acceleree systematiquement.
On peut grandement ameliorer cette technique, soit en selectionnant un sous-ensemble de
points d'apprentissage, soit en combinant le principe avec celui d'une organisation arborescente
de l'ensemble d'apprentissage pour appliquer une technique de separation-evaluation branch
and bound. Une revue de ces methodes est donnee dans [BB92]. On trouve en particulier dans
[Vid94b] une methode sophistiquee (LAESA) dont la complexite est en pratique independante
de m.
Un exemple
Placons nous dans IR2 , avec l'ensemble d'apprentissage suivant (la classe des exemples n'a
pas besoin d'être precisee ici) :

S = y1 = 54 ; y2 = 00 ; y3 = 01 ; y4 = 08 ; y5 = 34
On calcule d'abord la demi-matrice des distances entre les exemples. Ici, on a tabule le carre
de ces distances :
y1 y2 y3 y4 y5
y1 0 41 34 41 4
y2 0 1 64 25
y3 0 49 18
y4 0 25
3 y5 0
Soit le point x = 3 dont on cherche le plus proche voisin dans A.
p p
On calcule (x; y1 ) = 2, et y1 devient le plus proche voisin courant, a la distance = 2.
Le lecteur est invite ici a tracer le cercle de centre x et de rayon ainsi que les deux cercles de
centre y2 , tangents interieurement et exterieurement au premier cercle, puis a placer les quatre
autres points de S sur cette gure. p
On calcule ensuite (x; y2 ) = 18 qui est strictement superieur a . y2 n'est donc pas le
nouveau ppv. Quels points de S peut-on d'ores etpdeja p eliminerp (marquer)?
y3 ? Oui, car (y3 ; y2) (x; y2 ) ; (puisque p1 p18 ; p2).
y4 ? Oui, car (y4 ; y2) (x; y2 ) ; (puisque 64 18 + 2).
y5 ? Non 9, car on n'a : p p p
ni (y5 ; y2 ) (x; y2) ; (puisque p25 > p18 ; p2).
ni (y5 ; y2 ) (x; y2) + (puisque 25 < 18 + 2).
On passe au point d'apprentissage suivant non marque, y5 et on constate que (x; y5 ) =
1 < . y5 est donc le ppv de x dans S .
14.4 Les methodes semi parametriques

Nous supposons dans cette section que, contrairement aux methodes d'estimation parametriques,
nous ne connaissons pas a priori la forme analytique des distributions de probabilites. En re-
vanche, nous supposons cependant que ces distributions suivent des lois dont les (( hyper pa-
rametres )) peuvent être determines de maniere systematique.
Il n'existe pas a notre connaissance de catalogue exhaustif des methodes semi parametriques.
Il risquerait fort de toute facon d'être rapidement obsolete. Nous avons choisi ici de presenter
succinctement trois methodes pour leur interêt dans les applications pratiques.
14.4.1 La discrimination logistique
La discrimination logistique s'interesse aux problemes a deux classes. Elle est issue de l'ob-
servation suivante : pour de nombreuses formes de distributions, la regle de decision bayesienne
peut se ramener a une equation lineaire du type :
ln pp((xxjj!!1 )) = > x + 0 (14.29)
2
ou est un vecteur de p parametres et 0 une constante.

9. A noter que s'il existait dans l'ensemble d'apprentissage le point y6 = ; 5
;4 , il ne serait pas elimine non plus,
bien que tres eloigne de x.
Nous en avons vu un exemple dans la section 14.2.2 pour des distributions normales.
Cette approche ne suppose pas de forme analytique pour les distributions d'appartenance aux
classes, mais seulement pour leur rapport p(xj!1 )=p(xj!2 ), ce qui est une hypothese beaucoup
moins forte. Comme un grand nombre de distributions statistiques courantes verient cette
condition, elle est raisonnable et interessante.
Par exemple, toutes les lois de probabilite de la famille exponentielle :
p(xjk ) = exp >k x + a(x) + bk ( k )
respectent cette hypothese. Ceci inclut aussi bien des distributions de lois continues que des
distributions de lois discretes, par exemple les lois normales (avec egalite des matrices de co-
variance), la loi gamma, la loi bêta, la loi de Poisson, la loi binômiale, la loi multinômiale,
etc.
Dans tous ces cas, la fonction de decision prend la forme de l'inequation :
d(x) = ln pp((xxjj!!1)) + ln ((ll21 ;
; l11 ) p(!1 ) 0
2 12 l22 ) p(!2 )
ou l'on attribue la forme x a la classe !1 si d(x) 0 et a la classe !2 sinon. Soit, par rappro-
chement avec l'equation (14.29) :
(
8x; > x + 0 ; ln ((ll21 ;; ll11 )) pp((!!1)) < 00 alors x est attribuee a !1; (14.30)
12 22 2 alors x est attribuee a !2
Cette regle de decision fait clairement ressortir que la fonction de decision est lineaire en x.
De plus, c'est la fonction de decision qui est parametree, et non, comme dans les approches
parametrees, les vraisemblances conditionnelles p(xj!i ).
Par ailleurs, il est aise de montrer que l'equation (14.29) est equivalente a une comparaison
de fonctions de type sigmode :
d(x)
p(!1 jx) = 1 +e ed(x)
(14.31)
1
p(!2 jx) = 1 + ed(x)
Nous avons deja rencontre des expressions de ce type appelees fonctions logistiques, dans le
cadre des reseaux conexionnistes (chapitre 10). Dans ce cadre, elles sont appelees fonctions lo-
gistiques. On voit d'apres ces deux inegalites que si l'approche bayesienne vue plus haut s'appuie
sur les distributions conditionnelles p(xj!i ), l'approche de la discrimination logistique s'appuie
en revanche sur les probabilites des classes P (!i jx).
Pour calculer les parametres 0 et , il faut utiliser un echantillon d'apprentissage S constitue
d'exemples de la classe !1 et d'exemples de la classe !2 . Anderson, dans [And82], a montre que
ces parametres peuvent être obtenus par maximimisation de la vraisemblance des parametres
conditionnellement aux exemples :
Y Y
L = p(!1 jx) p(!2 jx)
x2!1 x2!2
Y ed(x) Y 1
= x d(x)
x2!1 1 + e x2!2 1 + e
d ( )
Il a ete de plus montre que sous des conditions tres generales (voir [Alb78]), le maximum de L
est unique.
Cette approche se generalise facilement au cas multi classes. Il faut alors considerer les
fonctions :
log pp((xxjj!!i )) = >i x + 0i
j
14.4.2 Les melanges de distributions
Dans la section precedente, nous avons vu qu'une approche pour rendre plus souple le type
de distributions qu'il est possible d'approximer tout en conservant un moyen de contrôle sur
l'espace d'hypotheses est d'utiliser des fonctions de discrimination parametrables, comme la
fonction logistique. Une autre approche consiste a supposer que les distributions peuvent être
decomposees en un produit de distributions plus simples. Dans les modeles de melanges de
distributions, une distribution complexe p est parametree comme une combinaison lineaire de
distributions plus simples, souvent la distribution normale, sous la forme :
X
M
p(x) = i pi(x) (14.32)
i=1
P
ou les i 0 sont appeles coecients de melange et satisfont a la condition : i i = 1.
Les distributions pi sont appelees les composantes de melange et ont leurs propres parametres
(moyenne, ecart type, etc.). Remarquons le lien avec les fonctions noyau : on peut avoir pi =
K (x ; xi ) ou xi est le centre du noyau et M = m. Il y a dans ce cas autant de composantes au
melange que de points d'apprentissage.
Quelques points sont a noter :
Les melanges de distributions ne prennent pas en compte directement l'etiquette des
exemples. Ce sont des moyens d'exprimer des densites de probabilites. Leur estimation
ressort donc des techniques d'apprentissage non supervise (voir au chapitre 15). Il est ce-
pendant possible de les utiliser pour des tâches de classication en estimant la distribution
de probabilites pour chaque classe tour a tour :
X
M
p(xj!k ) = i pi(xj!k ) (14.33)
i=1
Une propriete importante des melanges de distributions est que pour un large choix de
fonctions de base, elles permettent d'approximer avec un degre arbitraire de precision
n'importe quelle distribution continue, du moment que le melange a un nombre susant
de composantes et que les parametres sont bien choisis [MB88a].
Un choix usuel pour les distributions composantes ou fonctions de base est de prendre
des fonctions gaussiennes representant la probabilite conditionnelle d'observer x quand la
classe est !k : p(xj!k ). La plupart des ouvrages comportant une section sur ces methodes
traitent de ce cas (par exemple [Bis95]).
L'idee des approches semi parametriques est de faire varier systematiquement le nombre
de parametres du modele en fonction de la diculte du probleme traite. Dans le cas des
melanges de distributions, ce principe se traduit par une procedure de choix du nombre
M de fonctions de base utilisees dans le melange. Malheureusement, il semble que ce choix
soit un probleme notoirement dicile [MB88a, FL94].
Concernant l'apprentissage d'un melange de distributions, il est possible d'interpreter les

coecients de melange i comme des probabilites a priori des composantes du melange.
Dans ce cas, pour un point xl donne, il est possible d'utiliser le theoreme de Bayes pour
evaluer la probabilite a posteriori correspondante :
Rli p(ijxl ) = Pip(px(lxji)jj ) (14.34)
j j l
La valeur de p(ijxl ) peut être vue comme la responsabilite que la composante i assume
pour (( expliquer )) la donnee xl (d'ou la notation Rli ). En prenant le logarithme de cette
expression on obtient la vraisemblance :
X
m X
M
L(fi ; pig) = log ip(xl ji) (14.35)
l=1 i=1
Malheureusement, la maximisation de cette vraisemblance est beaucoup plus complexe que
pour une distribution a une seule composante a cause de la somme dans le logarithme. Un
algorithme elegant et puissant pour realiser cette optimisation est l'algorithme EM (voir
l'annexe 18.9).
14.4.3 Le cas des reseaux connexionnistes et des arbres de decision
Les reseaux connexionnistes et les arbres de decision sont aussi des familles d'estimateurs
semi parametriques. Rappellons que les premiers peuvent servir de mecanisme (sophistique)
pour estimer une densite de probabilite (voir le chapitre 10, paragraphe 10.3.5).
Quant aux seconds, on peut considerer qu'ils realisent une estimation a valeur constante dans
chaque feuille de l'arbre. Un arbre de decision, en eet, partitionne l'espace X des observations
possibles recursivement en sous-regions jusqu'a des sous-regions susamment homogenes cor-
respondant aux feuilles de l'arbre et dont l'etiquette sert a etiqueter les formes qui s'y trouvent.
Nous n'approfondissons pas ces aspects ici mais nous conseillons de consulter la reference
[CM98].

Nous nous sommes contentes ici d'un survol. Plusieurs publications sont a recommander pour
aller plus loin : [EH81, TSM85, RW84].
E. Parzen a propose en 1962 ([Par62]) d'estimer les densites de probabilites par des super-
positions de (( fenêtres )). Un grand nombre de travaux de probabilistes et de statisticiens ont
approfondi cette approche. Les applications en apprentissage ont connu un renouveau avec l'ap-
plication a certains types de reseaux connexionnistes ([Web99]), fondes sur des fonctions dites
(( radiales de base )) qui sont des fenêtres de Parzen de type particulier.
Les methodes des k-plus proches voisins pour la reconnaissance des formes remontent aux
annees 1950, mais les algorithmes et les preuves de convergence sont un peu plus recentes : T.
Cover et P. Hart en ont pose les principes en 1967 ([CH67]). Le livre de J. Kittler et P. Devijver
([DK82]) a apporte un grand nombre de resultats theoriques et pratiques supplementaires. Les
algorithmes rapides sont nombreux, comme on peut le voir en lisant la compilation de B. Dasa-
rathy ([Das90]). L'algorithme AESA et ses variantes, les meilleurs du genre, proviennent de E.
Vidal et de son equipe ([Vid94b]). On lira avec interêt les articles recueillis par D. Aha ([Aha97])
ou la technique (( paresseuse )) de la recherche de formes similaires dans un ensemble d'exemples
est etendue a de nombreux domaines de l'apprentissage, y compris a des donnees symboliques.
Resume
L'apprentissage bayesien consiste a partir d'hypotheses a priori pour les reviser
en fonction des donnees d'apprentissage.
Cette operation est optimale au sens probabiliste : les hypotheses a posteriori
obtenues de la sorte sont en eet les plus vraisemblables.
L'apprentissage bayesien requiert d'une part une connaissance a priori sur la
vraisemblance des hypotheses en concurrence et d'autre part celle la probabilite
des donnees d'apprentissage conditionnellement a ces hypotheses. Ces valeurs
doivent être estimees a partir de l'ensemble d'apprentissage.
Les methodes d'estimation parametrique font l'hypothese que la distribution
a estimer possede une certaine forme analytique et trouvent les meilleurs pa-
rametres.
Les methodes d'estimation non-parametrique estiment une densite condition-
nelle en un point en examinant comment l'ensemble d'apprentissage se com-
porte au voisinage de ce point.
Les methodes des k-plus proches voisins ont l'avantage de la simplicite. Une
algorithmique ecace existe pour les rendre rapides.
450
PARTIE 4 : Apprentissage par approximation et interpolation
Chapitre 15
La classication non supervisee et la
decouverte automatique
Jusqu'ici, il n'a ete question dans cet ouvrage que d'apprentissage supervise : les
exemples ont toujours ete pourvus d'une etiquette ou d'une valeur numerique fournie
par un oracle (un expert). Dans ce chapitre, nous nous placons en dehors de cette hy-
pothese, an d'aborder deux problemes particuliers d'apprentissage : la classication
non supervisee et la decouverte automatique.
La problematique de la classication automatique est simple : etant donne un cer-
tain nombre d'objets decrits par des attributs, est-il possible d'identier les familles
dans lesquelles se regroupent naturellement ces objets? Techniquement, il y a deux
manieres de l'aborder : soit organiser les donnees selon une hierarchie de classes ou
de familles, comme font par exemple les naturalistes ; soit faire l'hypothese qu'il existe
un certain nombre de classes dans les donnees et chercher a les partitionner le mieux
possible en autant de sous-ensembles disjoints.
La decouverte automatique peut se comprendre comme une technique particuliere de
regression. Il s'agit de trouver les lois les plus simples possible pour expliquer des
phenomenes naturels ou des invariants dans les bases de donnees. Idealement, un
programme de decouverte automatique pourrait par exemple retrouver la loi d'Ohm a
partir de mesures sur l'intensite du courant, la valeur de la resistance electrique et la
dierence de potentiel. Mieux, il pourrait etablir des lois inconnues ou mal connues
en fouillant des grosses bases de donnees, par exemple une relation algebrique entre
l'âge d'un client, sa situation geographique et la marque des pneus de sa voiture.
Les methodes de classication automatique et de decouverte automatique, donc l'ap-
prentissage non supervise, constituent par consequent la base des techniques de la
fouille de donnees. Le dernier paragraphe de ce chapitre s'interesse directement a la
recherche d'associations entre les attributs binaires dans une base de donnees. Ces as-
sociations peuvent être ou non associees a la date d'enregistrement de l'exemple dans
la base. C'est desormais une des techniques les plus fecondes en fouille de donnees.
452
es animaux se divisent en a) appartenant a l'empereur, b) embaumes, c) apprivoises,
L d) cochons de lait, e) sirenes, f) fabuleux, g) chiens en liberte, h) inclus dans la presente

classication, i) qui s'agitent comme des fous, j) innombrables, k) dessines avec un
pinceau tres n en poil de chameau, l) et ctera, m) qui viennent de casser la cruche,
n) qui de loin semblent des mouches.
Cette classication que M. Foucault qualie de (( deconcertante )) 1 est due a l'imagination de
J.-L. Borges 2 . Son etrangete provient d'abord de ce qu'il ne s'agit pas vraiment d'une (( division ))
(en terme formel : d'une partition) des especes : un animal peut être a la fois un cochon de lait,
apprivoise et une possession de l'empereur. Surtout, peut-être, la variete des concepts utilises
pour regrouper les especes est absurde : (( s'agiter )) ne s'oppose ou ne se compare en rien a
(( ^
etre dessine )), par exemple. Et que dire de (( inclus dans la presente classication )) ou de
(( et ctera )) ? Par contraste, une classication raisonnable des animaux devrait utiliser une
description comparable de chaque animal (vertebre ou non, et si vertebre, mammifere ou non,

etc.) et in ne fournir une partition operatoire (par exemple, deux especes sont dierentes si
elles ne sont pas interfecondes, pour des raisons genetiques ou geographiques).
Nous avons parle juqu'ici dans ce livre de classication supervisee, pour laquelle les elements
de l'ensemble d'apprentissage sont pourvus d'une etiquette ou d'une valeur numerique fournies
par un oracle. Dans ce chapitre, la problematique de la classication est dierente : etant donne
un certain nombre d'objets decrits par des attributs, est-il possible d'identier les familles dans
lesquelles se regroupent ces objets ? C'est pour ainsi dire le probleme auquel l'oracle a ete
confronte avant d'être capable de realiser un etiquetage. Ce probleme s'appelle la classication
non supervisee ou le clustering 3 . Il y a deux manieres de l'aborder : soit en construisant une
hierarchie de classes ; soit directement en cherchant un nombre xe de classes.
Ces deux methodes sont assez aisees a pratiquer pour des attributs numeriques, quand la
notion de distance est naturelle. Dans le cas d'attributs binaires ou nominaux, un certain nombre
d'extensions sont cependant possibles.
Pour nir, ce chapitre abordera un autre probleme d'apprentissage non supervise : celui de
la decouverte automatique de lois a partir de donnees, une forme empirique et constructive
de regression non lineaire. Ce domaine est etudie depuis longtemps et gagne en importance
actuellement grâce a l'apparition de la fouille de donnees.
Nous traitons ici l'apprentissage supervise de maniere rapide. Le lecteur desirant approfondir
ses connaissances dans ce domaine peut se reporter aux references proposees dans la section
15.6.2.
1. (( On sait ce qu'il y a de deconcertant dans la proximite des extrêmes ou tout bonnement le voisinage soudain
des choses sans rapport ; l'enumeration qui les entrechoque possede a elle seule un pouvoir d'enchantement. )) Les
mots et les choses. Gallimard (1966)
2. La langue analytique de John Wilkins, dans Enquêtes, Gallimard (1957).
3. On dit parfois (( la coalescence )) ou simplement (( la classication )).
Chapitre 15 La classication non supervisee et la decouverte automatique 453
15.1 La classication hierarchique de donnees numeriques
15.1.1 Generalites
Soit un ensemble S = fx1 : : : xm g de m objets. Nous allons denir formellement une hierarchie
sur S , de deux manieres dierentes, mais nalement equivalentes. Rappelons d'abord la denition
d'une partition et celle de la relation d'ordre associee. Les deux termes sous-ensemble et partie
sont ici synonymes.
Denition 15.1 (Partition)
Soit un ensemble ni S . Une partition de S est un ensemble de parties de S , non vides et
disjointes deux a deux, dont l'union est S . Si s designe un element de S , il existe donc un unique
element, ou bloc, de comprenant s. Une partition i est plus ne qu'une partition j si et
seulement si tout bloc de j est un bloc de i ou est l'union de plusieurs blocs de i .

Selon la relation d'ordre precedente, la partition la plus ne de S est constituee de m blocs
et s'ecrit :
Pm (S ) = (x1); : : : ; (xm)
alors que la partition la moins ne n'a qu'un bloc et s'ecrit :
P1(S ) = (x1 ; : : : ; xm)
Par exemple, pour S = fa; b; c; d; e; f g, les deux partitions
(a; b; c); (d); (e; f ) et (a; b); (c; d); (e; f )
sont toutes deux plus nes que la partition
(a; b; c; d); (e; f )
mais n'ont pas de relation de nesse entre elles.
Denition 15.2
Une cha^ne dans l'ensemble des partitions de S est un ensemble de partitions f1 ; : : : ; r g tel
que pour i = 1; r ; 1 on a : i est plus ne que i+1 .
Denition 15.3 (Hierarchie, 1)
Une hierarchie sur S est une cha^ne de partitions de S dont la plus ne est Pm et la moins ne
est P1 .
L'autre denition est la suivante :
Denition 15.4 (Hierarchie, 2)
Une hierarchie H sur S est un sous-ensemble des parties de S tel que :
pout tout element x de S , fxg 2 H ;
pour tout couple d'elements h et h0 de H avec h =6 h0, on a :
{ soit h \ h0 = ;,
{ soit h \ h0 =
6 ;, alors soit h h0, soit h0 h.
Par exemple, la hierarchie representee a la gure 15.1 peut être vue soit comme la cha^ne de
partitions
(a; b; c; d; e; f )
(a; b; c; d); (e; f )
(a; b; c); (d); (e; f )
(a; b; c); (d); (e); (f )
(a); (b); (c); (d); (e); (f )
soit comme l'ensemble de parties de S : H = fh1 ; h2 ; h3 ; h4 ; h5 ; h6 ; h7 ; h8 ; h9 ; h10 g, avec
h1 = fag h7 = S = fa; b; c; d; e; f g
h2 = fbg h8 = fa; b; c; dg
h3 = fcg h9 = fe; f g
h4 = fdg h10 = fa; b; cg

h5 = feg
h6 = ff g
h7
h8
h9
h10
a b c d e f
Fig. 15.1 { Une hierarchie sur S = fa; b; c; d; e; f g.
Denition 15.5 (Hierarchie indicee monotone)

Une hierarchie indicee est une hierarchie H sur un ensemble ni a laquelle on associe une suite
de nombres reels ri . Une hierarchie indicee est monotone si pour deux elements hi et hi+1
consecutifs dans H , avec hi plus ne que hi+1 , on a ri ri+1 .
Par exemple, sur la gure 15.2, la hierarchie de la gure 15.1 a ete indicee de maniere
monotone sur l'axe vertical selon l'association :
(a; b; c; d; e; f ) 4.2
(a; b; c; d) 3
(e; f ) 1.9
(a; b; c) 1.1
(a); (b); (c); (d); (e); (f ) 0
Construire une hierarchie sur un ensemble d'exemples est donc equivalent a trouver une
cha^ne de partitions sur cet ensemble. Si l'on construit une hierarchie indicee monotone sur cet
ensemble, on peut obtenir les partitions de la cha^ne en (( coupant )) la hierarchie pour une valeur
de l'indice. Par exemple, sur la gure 15.2, la coupure pour la valeur 2:5 de l'indice fournit la
partition (a; b; c); (d); (e; f ).
4.2 h7
3 h8
2.5
1.9 h9
1.1 h10
a b c d e f
Fig. 15.2 { Une hierarchie indicee sur S = fa; b; c; d; e; f g. La coupure pour la valeur 2:5 de
l'indice produit la partition (a; b; c); (d); (e; f ).
On peut associer a toute hierarchie indicee H une mesure de dissimilarite entre ses elements
de la facon suivante : la dissimilarite (hi ; hj ) entre les parties hi et hj de H prend la valeur de
l'indice de la plus petite partie h de H qui contient hi et hj .
On peut demontrer que cette mesure de dissimilarite possede une propriete forte : elle est
une distance ultrametrique.
Denition 15.6 (Ultrametrique)
Une ultrametrique (abrege de distance ultrametrique) sur un ensemble Z est une application de
Z Z ! IR qui verie les trois conditions suivantes pour tous les zi, zj et zk de Z :
(zi ; zi ) = 0 ;
(zi ; zj ) = (zj ; zi ) ;
(zi ; zk ) Max((zi ; zj ); (zj ; zk )).
Par exemple, la hierarchie indicee de la gure 15.2 place les elements fag et fdg a la distance
ultrametrique (fag; fdg) = 3, puisque la plus petite partie de H qui contient fag et fdg est h8 .
De même, (fdg; fe; f g) = 4:2 puisque la plus petite partie de H qui contient fdg et fe; f g est
h7 . On peut verier la propriete ultrametrique :
(fag; fe; f g) Max((fag; fdg); (fdg; fe; f g)) = Max(3; 4:2) = 4:2
En resume, nous sommes desormais en possession des notions suivantes :
Nous avons un ensemble d'exemples S compose de m objets.
Cet ensemble est muni d'une distance , en general la distance euclidienne.
Nous cherchons a construire une hierarchie indicee H de partitions de S .
Nous savons que construire une telle hierarchie indicee est equivalent a donner une ul-
trametrique sur les parties de S presentes dans H .
Si la hierarchie indicee construite est monotone, la hierarchie de partitions trouvee est
completement satisfaisante, puisque l'agregation de deux sous-ensembles d'une partition
produit une partition d'indice superieur.
Il nous faut donc utiliser la distance sur S pour en deduire une hierarchie indicee, si possible
monotone. Pour cela, il faut denir une autre mesure D de dissimilarite, celle-la entre tous les
couples de parties de S . La premiere etape est facile : si l'on considere les objets de S comme
des parties de S comportant un seul element, on posera naturellement :
D(fxg; fyg) = (x; y)
Il nous faut ensuite trouver comment denir la valeur de D sur n'importe quel couple de sous-
ensembles de S . Nous presentons dans les paragraphes suivants quelques indices D qui per-
mettent de construire une hierarchie sur S . Auparavant, donnons un algorithme constructif qui
utilise D et dont le resultat est une hierarchie indicee, mais pas forcement monotone.
15.1.2 Un algorithme general de classication hierarchique

Quand on dispose d'une mesure de similarite D entre les parties de S , la construction d'une
hierarchie indicee se fait de maniere simple par l'algorithme 15.1.
Chaque etape de cet algorithme produit un element de la cha^ne de partitions. Le nombre
maximal d'etapes est m, le nombre d'objets.
Il nous reste maintenant a presenter quelques mesures de dissimilarite ou indices D classiques
qui produisent par cet algorithme des hierarchies indicees.
Algorithme 15.1 Algorithme de classication hierarchique
Etablir la table TD des valeurs de D(x; y) pour x et y parcourant S .
tant que la table TD a plus d'une colonne faire
Choisir les deux sous-ensembles hi ; hj de S tels que D(hi ; hj ) est le plus petit nombre reel
dans la table TD
Supprimer hj de la table, remplacer hi par hi [ hj
Calculer les mesures de similarite D entre hi [ hj et les autres elements de la table.
n tant que
15.1.3 L'indice du lien simple

Cet indice produit l'ultrametrique dite sous-dominante. Il mesure la distance euclidienne
entre les deux points les plus proches, l'un dans un bloc de partition, l'autre dans le second.
Quand les blocs sont reduits a un element, cet indice mesure la distance euclidienne entre ces
deux elements. La hierarchie indicee trouvee est monotone.
Reprenons un ensemble a six exemples et donnons la table des distances euclidiennes entre
les exemples. Cette derniere est aussi la table TD , qui est identique sur les couples d'objets.
Comme cette table est symetrique, seule une moitie est representee.
a b c d e f
a 0 1.1 1.1 3 6 5
b 0 1.1 4 5.5 4.2
c 0 3 6.5 5.3
d 0 9 8
e 0 1.9
f 0
L'algorithme de classication hierarchique produit successivement les tables suivantes (la plus
petite valeur non nulle de chaque table est en gras) :
D h10 = fa; bg fcg fdg feg ff g
h4 0 1.1 3 5.5 4.2
c 0 3 6.5 5.3
d 0 9 8
e 0 1.9
f 0
D h10 = fa; b; cg fdg feg ff g D h10 fdg h9 = fe; f g
h4 0 3 5.5 4.2 h4 0 3 4.2
d 0 6.5 5.3 d 0 5.3
e 0 1.9 h3 0
f 0
D h8 = h10 [ fdg h9 D h7 = h10 [ h9
h2 0 4.2 h1 0
h3 0
On retrouve donc la hierarchie indicee des gures 15.1 et 15.2.
Cette indice est tres simple et semble naturel. Il peut donner des resultats surprenants en
raison d'un certain (( eet de cha^ne )), qui regroupe parfois des points de maniere non naturelle.
On utilise de preference pour cette raison des indices un peu plus sophistiques, comme ceux qui
sont proposes aux paragraphes suivants.
15.1.4 L'indice de la distance entre centres de gravite
Prendre pour indice D la distance euclidienne entre les centres de gravite des blocs fournit
une hierarchie non forcement monotone, ce qui n'est en general pas souhaitable.
Il est facile de la remarquer sur l'exemple suivant : soient les points fa; b; cg de IR2 de coor-
donnees a = (0; 0), b = (9; 0) et c = (4:5; 8:5). La distance la plus petite est entre a et b et vaut
9 (les deux autres valent environ 9:6). Le centre de gravite du bloc (a; b), de coordonnees (4:5; 0)
est a une distance de c qui vaut 8:5, strictement a 9.
Par consequent, il se produit ce qu'on appelle une inversion dans la construction de la
hierarchie : le resultat n'est pas une hierarchie indicee monotone.
15.1.5 L'indice de Ward
Pour tenir compte de la variance des classes et pour eviter l'eet de cha^ne dans la classi-
cation, Ward [Sim85] a propose d'utiliser l'indice suivant, donne ici sous la forme de (( formules
de reactualisation )). Il fournit une hierarchie indicee monotone.
Nous sommes a l'etape courante de l'algorithme 15.1, nous avons choisi les deux blocs les plus
proches hi et hj et nous cherchons a calculer l'indice entre le nouveau bloc hi [ hj et un autre
bloc hk . Le nombre d'elements du bloc hi (respectivement : hj , hk ) vaut mi (respectivement :
mj , mk ).
D(hi [ hj ; hk ) = n n+k n+ n+i n D(hi ; hk ) + n n+k n+ n+j n D(hj ; hk ) ; n n+i + nj D(h ; h )
i j
k i j k i j k ni + nj
15.1.6 L'indice de la vraisemblance du lien

Lerman [Ler81] propose de mesurer l'indice entre deux blocs hi et hj par la formule :
D(hi ; hj ) = ;Log(;Log([s(hi ; hj )]ni nj ))
ou s(hi ; hj ) est l'indice du lien simple entre hi et hj , c'est-a-dire la distance 4 entre les deux
objets les plus proches, l'un dans h1 , l'autre dans h2 .
Ce calcul a pour eet, de maniere contrôlable par , de faciliter le regroupement des classes
a variance faible. Comme l'indice de Ward, il est fonde sur des considerations probabilistes des
objets sur lesquelles nous n'avons pas a nous etendre dans cet ouvrage. On pourra consulter par
exemple [Ler81].
15.1.7 Le choix du nombre de classes
Combien y a-t-il reellement de classes dans les donnees? En classication hierarchique, ce
nombre semble dependre de l'observateur des donnees, puisque celui-ci doit selectionner une
valeur de coupure. Il est cependant possible de trouver des criteres permettant une determination
automatique de cette valeur.
Certaines heuristiques simples peuvent être appliquees en observant uniquement la suite des
valeurs de l'indice. En general, on prefere utiliser une mesure qui tient compte de la variance
des donnees dans chaque classe. Notons ij , le symbole de Kronecker, qui vaut 1 quand i = j et
0 sinon, C le nombre de classes et j le centre de gravite de la classe j . On denit la quantite
suivante : X X j
T= 1 m j=1;C jx ; j2
i i j
i=1;m
T vaut donc 1 fois la somme sur toutes les classes de la distance de tous les points de cette
m
classe au centre de gravite de cette classe. On appelle souvent T la somme des variances intra
classes.
On peut demontrer que T diminue quand le nombre de classes C augmente, donc que cette
valeur varie en sens inverse de l'indice de la hierarchie.
Une comparaison faite entre diverses heuristiques [MC85] semble indiquer qu'une bonne
valeur de compromis pour l'indice est celle qui maximise la quantite :
1 m;C (15.1)
T C;1
Il existe aussi des criteres statistiques non parametriques, comme celui propose par Lerman
([Ler81]), et d'autres formules dans le même esprit que celle proposee ci-dessus, comme celle de
Akaike et Schwarz ([JW98]).
15.2 La classication non hierarchique de donnees numeriques

15.2.1 La methode des k-moyennes
Webb [Web99] donne un exemple que nous reprenons ici pour presenter cette methode. Soient
six objets numerotes de 1 a 6 dans IR2 , comme sur la gure 15.3. On cherche a les regrouper en
deux classes, autrement dit a en faire une partition a deux blocs. Pour cela, on commence par
en tirer deux au hasard, disons les points 5 et 6.
4. Cette methode utilise a la place de la distance euclidienne une distance particuliere, appelee (( dissimilarite
informationnelle )).
2 4 5 B2 B61
A2 A1
1 1 2 3
0
0 1 2 3 4 5
Fig. 15.3 { Un ensemble de points a partitionner a deux classes et le resultat de la methode des
2-moyennes en partant des points 5 et 6.
Une premiere phase va allouer les six points aux deux classes sur le critere suivant : ceux
qui sont plus pres (au sens de la distance euclidienne) du point 5 que du point 6 sont dans la
premiere classe, les autres dans la seconde. La premiere classe est donc pour le moment le bloc
(1; 2; 3; 4; 5) et la seconde le bloc (6). La seconde phase consiste a calculer le centre de gravite de
ces deux classes. Le premier, appele A1 a pour coordonnees (1:6; 2:4), le second, B1 est le point
6, aux coordonnees (5; 2).
On recommence les deux phases : les six points sont alloues aux deux classes en fonction de
A1 et de B1. On obtient les blocs (1; 2; 3; 4) et (5; 6). Les centres de gravite de ces deux blocs
sont A2 et B2 , aux coordonnees (2:25; 1:25) et (4:5; 2).
Une nouvelle passe ne change plus la partition : l'algorithme a converge.
Il est interessant de calculer une qualite globale de la classication. Generalement, on utilise
ici aussi T , la somme des variances intra classes. Les valeurs successives de ce critere sur les
partitions obtenues sont les suivantes :
(1,2,3,4,5), (6) 6.4
(1,2,3,4), (5,6) 4.0
On peut montrer que l'algorithme des k-moyennes fait en eet diminuer la valeur T , mais rien
n'assure que le mimimum global soit atteint : la convergence peut en eet mener a un minimum
local.
Si on initialise l'algorithme avec les points 2 et 5, la convergence vers la partition (1; 2; 3); (4; 5; 6)
est realisee d'entree pour la valeur T = 3:3 du critere. La premiere initialisation, avec les points
5 et 6, converge donc vers un minimum local.
L'algorithme des k-moyennes est un cas particulier des algorithmes de classication par
allocation-recentrage. La phase d'allocation est ici le calcul des classes a partir des centres de
gravite provisoires, et la phase de recentrage le calcul des nouveaux centres de gravite des classes
que l'on vient d'etablir. Cette technique peut se voir de maniere encore plus generale comme
une application particuliere de l'algorithme EM , qui sera aborde au paragraphe suivant.
Il existe une grande variete d'algorithmes du type k-moyennes, permettant en particulier de
faire na^tre et mourir des classes au cours des calculs, ce qui donne de la souplesse a la methode :
son inconvenient evident est en eet que l'utilisateur doit donner au depart le nombre de classes,
ce qui n'est pas tres realiste.
Il est aussi possible de choisir le nombre de classes en faisant plusieurs essais avec des valeurs
dierentes et en calculant pour chacune une valeur du type de celle proposee pour les methodes
hierarchiques a l'equation 15.1.
15.2.2 L'estimation d'une somme ponderee de distributions gaussiennes
On peut faire une analogie raisonnee entre la methode des k-moyennes et la technique non
parametrique du plus proche voisin (chapitre 14, paragraphe 14.3.3). De même, il est possible
de faire des hypotheses parametriques sur la distribution des objets. Souvent, on considere
qu'ils sont des tirages i.i.d. d'une distribution multigaussienne, encore appelee un melange de
gaussiennes (de lois normales) (mixture of normal distributions model), c'est-a-dire une somme
ponderee de gaussiennes de moyennes et de matrices de covariance inconnues. En pratique, cela
revient a supposer que chaque classe est une gaussienne avec ses caracteristiques particulieres
et une probabilite a priori plus ou moins forte 5 .
Nous avons donne au chapitre 14 la formule d'une distribution gaussienne dans IRd . Nous la
rappellons ici en notant p (N (; Q)) la densite de cette distribution, avec sa moyenne et Q sa
matrice de covariance.
j Q j ;1=2 1
p (N (; Q)) = exp ; (x ; ) Q (x ; )
(2)d=2
T ;
2
1 (15.2)
Un melange de C gaussiennes s'ecrit donc :

X j Qi j;1=2 1
p (N (; Q)) = ki exp ; (x ; ) Q (x ; )
(2)d=2
T ;1
2 i i i (15.3)
j =1;C
avec X
ki = 1
j =1;C
En supposant C connu, il faut estimer les C scalaires ki , les C matrices symetriques 2Qi de
dimension d d et les C vecteurs i de dimension d pout tout i entre 1 et C , soit d +22d+2
parametres.
On utilise pour cela l'algorithme EM , que nous avons deja rencontre au chapitre 13 pour
l'apprentissage des Hmm. Une explication de la methode EM et de son application a l'estima-
tion des parametres des melanges de gaussiennes est donnee en annexe 18.9. Cette methode
soure aussi de ce que C doit ête xe a l'avance. La encore, diverses techniques sont applicables
pour trouver la meilleure valeur, mais on peut s'appuyer ici sur l'hypothese parametrique faite
sur la distribution des objets. Une technique eprouvee est de maximiser le (( critere bayesien
d'information )) (BIC), comme presente dans [JW98].
15.2.3 Un exemple
La gure 15.4 illustre les performances de cette methode par comparaison avec celle des
k-moyennes. On y voit 600 points, 287 tires selon une premiere loi normale de moyenne T1 =
5. Sous ce point de vue l'algorithme des k-moyennes revient a faire l'hypothese que les classes proviennent de
distributions gaussiennes ayant toutes la même matrice de covariance ; les probabilites a priori sont quelconques.
;1 1 et de matrice de covariance Q = 0:1 0:0 et 313 selon une seconde de moyenne
1 0:0 0:1

T = ;0:8 0:8 et de matrice de covariance 0:02 0 . Les deux distributions sont supposees
1 0 0:02
equiprobables. Les surfaces d'equidensite de ces distributions sont les cercles en trait plein ; la
probabilite qu'un point soit tire a l'interieur est de 90 %. L'erreur bayesienne (le mieux que l'on
puisse faire, voir le chapitre 14) vaut ici 13 %.
Les programmes qui implantent l'algorithme EM et celui des k-moyennes, connaissent les
400 points et le fait qu'il y ait deux classes a trouver, mais ils ignorent la classe de chaque point
et la probabilite a priori des classes.
Sur la gure de gauche est donne le resultat de EM . Il trouve deux distributions gaussiennes
assez proches des originales. Une probabilite a priori de 0.57 est attribuee a la premiere classe
et de 0.43 a la seconde. Les distributions sont representees par les ellipses en pointilles, qui
correspondent aux valeurs suivantes : 0:097 ;0:005
; b
b 1 = 1:043 1:018 Q1 = ;0:005 ;0:093
T

b T2 = ;0:792 0:808 Qb2 = 00::025 0:002
002 0:019
La matrice de confusion de la classication des donnees initiales est la suivante ; elle donne une
erreur de 27 % :
classe 1 classe 2
classe 1 199 88
classe 2 19 294
1.8 1.8
1.6 1.6
1.4 1.4
1.2 1.2
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Fig. 15.4 { L'algorithme EM retrouve un melange de distributions gaussiennes, mais l'algo-

rithme des 2-moyennes est plus en diculte.
Sur la gure de droite, l'algorithme des 2-moyennes separe les points en deux classes. La surface
separatrice est la droite mediatrice des centres de gravite des classes trouvees (en pointille). La
matrice de confusion de la classication des donnees initiales est la suivante (ce qui donne une
erreur de 34 %):
classe 1 classe 2
classe 1 162 125
classe 2 10 308
15.3 La classication de donnees symboliques

15.3.1 Les donnees binaires et categorielles
Quand on quitte l'espace de representation IRd , de nouveaux problemes apparaissent pour
la classication automatique. Prenons d'abord le cas des donnees binaires, dans lequel chaque
exemple objet est un vecteur de IBd compose de d bits. Quelles mesures de distance peut-on
proposer dans une telle representation?
La distance la plus simple est celle de Hamming qui mesure le nombre de bits dierents
entre deux objets, divise par d. Sa valeur est donc toujours comprise entre 0 et 1. Mais on peut
proposer d'autres mesures qui ne verient pas forcement les proprietes de la distance 6 . Soient
deux objets x et y de IBd . Notons :
a le nombre d'attributs qui sont V RAI pour x et y ;
b le nombre de ceux qui sont V RAI pour x et FAUX pour y ;
c le nombre de ceux qui sont FAUX pour x et V RAI pour y ;
d le nombre d'attributs qui sont FAUX pour x et y.
Les mesures de dissimilarite suivantes entre x et y sont classiques :
Nom Formule Commentaire

Hamming c+d est une distance
a+b+c+d
Russel et Rao 1 ; a+b+a c+d ne verie pas la premiere
propriete de la distance
Jaccard 1 ; a+ab+c est une distance
Yule 1 ; ad;bc
ad+bc
Il est dicile d'appliquer l'algorithme non hierarchique des k-moyennes a des donnees bi-
naires, car il fait appel a la notion de centre de gravite a priori intraduisible dans IBd . Certains
auteurs ont propose des techniques empiriques pour contourner la situation. Nous en verrons
6. Rappellons la denition d'une distance, donnee en 3.2 : Une distance sur un espace E E est une application
de E E dans IR+ si et seulement si elle verie les proprietes :
(x; y) = 0 () x = y ;
8 x; y 2 ; (x; y) = (y; x) (symetrie) ;
8x; y; z 2 (x; y) (x; z) + (z; y) (inegalite triangulaire).
un exemple au paragraphe suivant (dans le cas de la representation attribut-valeur) qui peut
s'appliquer en particulier a celui de la logique des propositions.
En revanche, les algorithmes hierarchiques peuvent toujours s'appliquer, a condition de savoir
calculer un indice ultrametrique entre deux ensembles d'objets binaires. Les indices du lien
simple, de Ward et de Lerman, sont en particulier calculables, car ils ne font pas appel au centre
de gravite des ensembles. Nous verrons aussi au chapitre 17 que l'on ne peut pas mesurer la
ressemblance entre deux objets binaires avec le nombre de propositions logiques qui ne valent
par exemple V RAI sur les deux que si on limite volontairement l'ensemble des propositions
disponibles par un biais (par exemple, si on decide de n'y mettre que les conjonctions).
15.3.2 Les attributs nominaux : la representation attribut-valeur
Dans le cas ou les attributs sont categoriels (nominaux), un grand nombre de methodes
hierarchiques ont ete proposees. Elles sont fondees sur le calcul d'une distance entre objets
categoriels, puis sur son extension a un indice ultrametrique. Prenons l'exemple suivant. Un
oiseau est deni par trois attributs :
le fait que son bec soit aplati ou non ;
sa taille qui peut prendre trois valeurs : petite, moyenne ou grande ;
la couleur de son cou qui peut prendre quatre valeurs roux, orange, gris ou noir.
Soient deux oiseaux denis par :
aplati taille couleur nom
x1 V RAI moyenne roux nette rousse
x2 FAUX moyenne noir corneille noire
On peut par exemple generaliser la distance de Hamming par le calcul suivant 7 :
(x1 ; x2 ) = 1 ; (1 + 0 + 3) = 1 ; 13 (2 12 + 3 03 + 4 41 ) = 31
Cette formule peut aussi être remplacee par la suivante, qui considere que aplati = V RAI
et aplati = FAUX sont en quelque sorte deux fois moins dierents que couleur = roux et
couleur = noir, puisqu'il y a deux modalites pour la premiere variable et quatre pour la seconde :
(x1 ; x2 ) = 1 ; 31 ( 12 + 03 + 41 ) = 13 = 0:25
Cette derniere expression varie entre 0 et 13 ( 12 + 13 + 14 ) = 0:36, mais il est facile de la ramener
entre 0 et 1 si necessaire.
Il est interessant de noter qu'un certain nombre de methodes fondees sur les concepts de
l'espace des versions (voir le chapitre 4) ont ete proposees pour construire des classications non
hierarchiques. On a remarque plus haut que la methode des k-moyennes n'est pas applicable,
car la notion de centre de gravite n'existe plus. Mais il est possible de construire des algorithmes
analogues comme CLUSTER=2 ([MS83]) dont l'algorithme est schematiquement donne en 15.2.
Un certain nombre de commentaires sont necessaires pour preciser cet algorithme.
Le choix des amorces n'est fait au hasard que la premiere fois. Quand la partition trouvee
est meilleure que la meilleure partition courante, on cherche a l'ameliorer encore en choisis-
sant des objets (( au centre )) de chaque bloc. Sinon, on cherche a la corriger en choisissant
des objets (( au bord )) de chaque bloc.
7. Nous ne donnons pas la formule generale, qui n'ajoute rien a la comprehension.
Algorithme 15.2 Un algorithme de classication non hierarchique pour donnees
symboliques
Fixer le nombre de classes : k.
tant que Le test de n n'est pas satisfait faire
Choisir k objets amorces.
pour chaque amorce faire
Apprendre un ensemble de concepts
discriminants vis-a-vis des autres amorces.
n pour
Modier les concepts pour en deduire
un ensemble de partitions sur les objets
Choisir la meilleure
n tant que
La qualite d'une partition est evaluee par un melange de criteres parmi lesquels on peut
citer :
1. l'adequation d'un concept, c'est-a-dire le nombre d'objets qu'il peut couvrir par rap-
port au nombre d'objets qu'il couvre dans l'ensemble a classer ;
2. la simplicite d'un concept, que l'on peut mesurer par le nombre d'attributs qui y sont
presents ;
3. l'intersection des concepts : elle est nulle dans l'ensemble des objets a classer, mais
peut se mesurer dans l'absolu.
4. etc.
15.3.3 Les donnees logiques
Que devient l'apprentissage non supervise dans des donnees decrites par des structures sym-
boliques complexes comme les formules de la logique des predicats ou les arbres? Ce sujet est
dicile, puisque la notion de distance ou de similarite dans ces espaces de representation n'est
pas naturelle. Pourtant, il est la cle du developpement de l'ECD pour la decouverte de concepts
evolues.
Il existe un certain nombre de travaux de conceptualisation et de realisation dans ce domaine.
Il faudrait introduire de nouveaux concepts et de nouvelles denitions pour aborder le sujet,
même rapidement. Nous preferons donc ici renvoyer le lecteur a l'article de synthese de G. Bisson
dans [DKBM00] sur la notion de similarite dans les domaines statistiques et symboliques. C'est
une excellente mise en lumiere des problemes et des solutions actuelles.
15.4 La decouverte automatique

15.4.1 Presentation
Soit P la periode d'une planete de notre systeme solaire (la duree de son (( annee ))), R la
longueur du grand axe de l'ellipse de son orbite autour du soleil, D sa distance moyenne au soleil
et d sa densite.
Si P est mesuree en jours terrestres et D et R en millions de kilometres, on peut donner a
un programme de decouverte automatique les mesures suivantes comme exemples (les valeurs
sont approximatives) :
Planete P R D d
Venus 224 220 60 5.6
Terre 365 300 150 5.5
Mars 686 420 230 3.9
Jupiter 4400 1500 780 1.3
Saturne 10750 2800 1400 0.7
Neptune 60140 9000 4500 1.8
Pluton 90400 25000 6000 2.1
Ce programme devra fournir en sortie la loi de Kepler :

P 2 = cR3 avec c 5:10;3
et \decouvrir\ aussi que les attributs R et d ne sont pas relies simplement aux deux premiers 8.
Remarquons dans cet exemple la dierence entre la decouverte automatique et une simple
technique de regression. L'utilisation de cette derniere pourrait par exemple produire un po-
lynôme de degre donne des variables donnant une bonne approximation des donnees d'appren-
tissage, mais elle aurait deux defauts : d'abord l'expression analytique serait plus complexe, en
forcant D et d a intervenir ; d'autre part, rien n'assure que de nouvelles donnees (celles d'Uranus,
par exemple) issues de la même loi repondraient a l'equation polynomiale. En d'autres termes,
la regression fournirait un apprentissage par cur.
On cherche donc ici a decouvrir une veritable generalisation des donnees, sous l'hypothese
generale de la simplicite de la loi qui lie les variables.
La meilleure facon de presenter les concepts de ces methodes est de presenter un systeme
classique de decouverte automatique : BACON ([Lan96]).
15.4.2 La decouverte de fonctions simples
Le systeme BACON est ne en 1978 et n'a pas cesse d'evoluer depuis, dans le but de decouvrir
des lois de forme de plus en plus complexe. Dans son principe, BACON n'est pas tres dierent
d'un algorithme de recherche heuristique en espace d'etats (voir le chapitre 3); c'est l'adequation
aux donnees et la simplicite qui sert de pilote a sa recherche.
L'algorithme fonctionne par creation de nouveaux attributs a partir de ceux qui sont connus,
jusqu'a en avoir fabrique un dont la valeur est constante sur tous les exemples : la loi est alors
trouvee.
15.4.2.1 Un exemple
Reprenons l'exemple ci-dessus, avec pour seules donnees les valeurs des attributs P et R. Le
fonctionnement ideal de BACON serait dans ce cas le suivant :
Recherche d'une relation P = aR + b. Pour cela, l'algorithme construit par regression lineaire
la droite de coecients a et b qui minimise la somme des carres des distances aux exemples.
Si cette distance est trop importante, comme c'est le cas ici, on abandonne cette hypothese
de loi lineaire.
8. P et R pourraient être relies si l'excentricite de l'ellipse etait donnee ; d n'a pas de correlation aussi directe avec
les autres attributs.
Creation d'un nouvel attribut X1 . Puisque P et R croissent ensemble, on cree l'attribut
X1 = PR
et on le calcule sur les exemples. Dans le cas ou les deux variables varient en sens inverse,
on cree leur produit.
Creation d'un nouvel attribut X2 . Sur les trois variables P , R et X1 , on applique le même
argument qu'aux deux etapes precedentes. Apres avoir verie qu'il n'existe pas de relation
lineaire entre les trois variables et constate que R et X1 varient en sens inverse, on cree la
variable :
2
X2 = RX1 = RP
Ici intervient evidemment un elagage dans le graphe que l'on est en train de developper :
on aurait pu creer et evaluer la linearite de la variable R:P=P , mais un calcul formel simple
montre qu'il est inutile de calculer sa valeur sur les donnees, puisqu'elle est egale a P .
Creation d'un nouvel attribut X3 et conclusion. En continuant ce procede avec quatre variables,
on constate que X2 et X1 varient en sens inverse. On va donc creer :
X3 = X2 :X1 = R3 =P 2
qui prend une valeur quasiment constante (egale a c) sur l'ensemble des donnees. On peut
donc considerer avoir decouvert la loi de Kepler P 2 = c:R3 .
15.4.2.2 Complexite de calcul

Sans decrire completement l'algorithme pour en faire l'analyse en complexite, il est clair
que le procede decrit est de nature exponentielle en fonction du nombre de donnees. Il est
naturel d'utiliser les techniques d'elagage de la programmation combinatoire (voir le chapitre
3) pour l'implanter, y compris les techniques heuristiques de l'intelligence articielle. Nous ne
developperons pas ce sujet ; remarquons simplement qu'il est evidemment indispensable d'utiliser
au mieux les eventuelles connaissances a priori sur le domaine.
15.4.3 Decouverte de lois plus complexes

15.4.3.1 Lois polynomiales
Bien que deja d'une grande complexite calculatoire, le procede de base decrit n'est pas encore
susant pour decouvrir certaines lois. Par exemple, il aurait ete impossible de decouvrir une
relation polynomiale simple comme :
R = aP 2 + b
Les versions ulterieures de BACON ont integre la recherche de telles lois en utilisant la technique
suivante : on cherche s'il existe une derivee d'ordre p d'une variable par rapport a une autre qui
soit constante sur les exemples. Si oui, ceci donne l'ordre p + 1 du polynôme qui les lie ; ses
coecients sont alors calculables assez facilement.
Par exemple, pour les variables X et Y dont on a les exemples ci-dessous, on peut calculer
certaines approximations des derivees premieres et secondes de Y par rapport a X .
i X (i) Y (i) @Y @ 2 Y
@X @X 2
1 1 6
2 3 34 4
3 6 121 29 3
4 10 321 50 3
5 15 706 77 3
On a en eet par exemple, pour la troisieme ligne :
@Y ' Y (3) ; Y (2) = (121 ; 34)=(6 ; 3) = 29
@X X (3) ; X (2)
Dans cet exemple, on constate que la derivee seconde de Y par rapport a X est constante
sur les donnees et egale a 3. On en deduit l'existence de la loi :
Y = 3X 2 + bX + c
Les valeurs des constantes b et c peuvent être obtenues a partir des exemples en calculant la
variable auxiliaire :
X1 = Y ; 3X 2
puis en cherchant par regression la relation lineaire qui lie X1 a X .
15.4.3.2 Lois trigonometriques
Pour augmenter le domaine de decouverte, on peut aussi introduire les operateurs trigo-
nometriques, souvent utiles dans l'expression de lois regissant des constantes physiques.
15.4.4 Traitement des donnees bruitees
15.4.4.1 Le probleme
Tout systeme du type de BACON doit trouver un reglage entre des possibilites contradic-
toires : si on admet par hypothese que les donnees ne sont pas ou presque pas bruitees, il est
possible d'introduire un assez grand nombre d'operations elementaires de decouverte, comme
celles donnees ci-dessus. En eet, seule une petite fraction des lois qu'il est possible de calculer
en combinant ces operations satisfairont assez exactement les exemples ; en revanche, si on veut
tolerer plus de bruit, il faut laisser moins de possibilites combinatoires.
15.4.4.2 Exemple
L'exemple suivant illustre ce dilemme ; supposons avoir a notre disposition l'ensemble des
possibilites de calcul evoquees et les donnees :
X Y
0 0
2 0.3491
4 0.6981
6 1.0472
Un grand nombre de lois peut être decouvert si on tolere ne serait-ce que 1 % de variation sur
les valeurs de X et de Y . Par exemple la simple droite :
Y = 0:175 X
est une loi correcte de ce point de vue, car tous les exemples la verient pour des valeurs
comprises entre 99 % et 101 % de celles donnees dans la table. On pourrait ainsi trouver un
grand nombre d'exemples. Celui-ci maximise un critere de simplicite.
En revanche, si on suppose les valeurs d'apprentissage exactes a 10; 6, seules deux lois seront
decouvertes :
Y = 100 sin(X=100)
(c'est a partir de celle-ci que le tableau des donnees a ete calcule) et :
Y = X 3 + X 2 + X
avec : = ;0:001504, = 0:006325 et = 0:336
On peut en eet faire passer exactement un polynôme de degre p par p+1 points ; d'autre part,
BACON s'arrête des qu'il a trouve une loi le satisfaisant et procede par puissances croissantes
dans la decouverte des polynômes : il ne cherchera donc pas dans ce cas dans les degres superieurs
a 4 en X .
15.4.4.3 Heuristiques
Diverses techniques peuvent être employees pour traiter ce probleme. Outre des considera-
tions purement numeriques (calcul des intervalles d'erreur sur les variables intermediaires creees
par le programme, estimation de la variance du bruit dans les donnees en fonction des lois
decouvertes), BACON privilegie, selon son principe de base, la simplicite. Ainsi, a mesure d'er-
reur egale sur les exemples, une loi comportant moins de termes qu'une autre sera consideree
comme meilleure.
15.4.5 Decouverte de lois avec plus de deux variables
Nous n'avons parle juqu'ici que de la decouverte de lois liant deux variables. Comment
etendre la recherche au cas de formules plus complexes, comme pour decouvrir la loi des gaz
parfaits
PV = kN (T ; 273)
avec P la pression d'une certaine quantite de gaz, V son volume, T sa temperature en degres
Celsius et N la quantite de gaz (en moles)?
Idealement, BACON fonctionne alors comme suit : il xe N a (disons) 1, T a (disons) 10 et
examine les variations des valeurs des deux variables restantes P et V pour les donnees ou N et
T valent 1 et 10.
Supposons donc que, parmi tous ceux dont on dispose, les exemples pour lesquels on a les
contraintes N = 1 et T = 10 soient les suivants :
N T P V
1 10 1000 2.36
1 10 2000 1.18
1 10 3000 0.78
Le module elementaire de decouverte decrit plus haut produira la loi :
V ;1 = 4:25 10;4 :P
La variable intermediaire X1 est creee ; elle vaut 4:25 10;4 pour les trois exemples cites. On la
calcule sur les autres exemples de la base de donnees, ce qui permet par exemple de constater
qu'elle n'est pas constante : sa valeur restera alors pour le moment indeterminee pour ces autres
exemples.
Ensuite, N est conserve a 1, mais la valeur de T est changee a (disons) 20, ce qui permet
d'examiner d'autres exemples :
N T P V
1 20 1000 2.44
1 20 2000 1.22
1 20 3000 0.81
Une loi lineaire est egalement decouverte, mais la valeur de X1 sera 4:1:10;4 sur les trois exemples
ci-dessus.
De même, pour N = 1 et T = 30, toujours en supposant la base de donnees assez complete,
on pourra trouver des exemples permettant d'armer la loi lineaire :
V ;1 = 3:96 10;4 P
ce qui permettra de completer les valeurs de X1 .
Ceci fait, le programme va chercher une loi liant X1 et les autres variables partout ou la
premiere a ete calculee. Il trouvera la relation lineaire :
1=X1 = 8:32 T + 2271
Ceci permet de denir les variables X2 et X3 , dont les valeurs 8:32 et 2271 sont rajoutees sur
les exemples examines, et sur eux seuls.
Le programme passe ensuite a N = 2 en procedant de la même maniere. Il va induire la
relation
1=X1 = 16:64 T + 4542
et stocker de même a leur place les deux nouvelles valeurs de X2 et X3 ainsi trouvees. De même,
pour N = 3, il ajoutera les valeurs 24:96 et 6814 aux exemples concernes.
On a alors assez calcule de donnees pour chercher une relation entre X2 , X3 et les variables
de depart. On trouve ainsi :
X2 = 8:32 N et X3 = 2271 N
Les variables X4 et X5 , valant 8:32 et 2271 sur tous les exemples examines sont alors creees. Leur
calcul sur l'ensemble des autres exemples montre cette fois que ce sont en fait des constantes.
Selon son principe general de fonctionnement, BACON remonte alors la suite des variables
intermediaires pour ecrire la loi cherchee.
En suivant ce principe, le nombre d'exemples et la taille de l'espace de recherche croissent
exponentiellement avec le nombre de variables ; de plus, l'algorithme doit eectuer des choix
sur les valeurs pertinentes des variables. Ce dernier point peut être resolu soit a l'examen de
l'ensemble des exemples, soit par un \oracle\ supplementaire aux seules donnees d'apprentissage.
15.4.6 Ameliorations ulterieures

Un grand nombre d'heuristiques complementaires ont ete implantees dans BACON pour
pallier l'exponentialite intrinseque de sa demarche. Par exemple, l'hypothese qu'il existe une
symetrie dans la loi a decouvrir permet d'elaguer la recherche.
15.5 La decouverte non supervisee d'associations complexes

d'attributs
Les methodes decrites dans ce paragraphe constituent un complement recent aux methodes
statistiques classiques de detection de relations entre attributs. Elles ont ete developpees dans le
cadre de la fouille de donnees. Elles traitent des donnees booleennes et non pas continues comme
c'est le cas en statistique et s'interessent au developpement d'algorithmes performants prenant

en compte la nature de ces donnees. Ces methodes cherchent a reperer des implications logiques
entre attributs ou ensembles d'attributs en utilisant la table de verite de l'implication logique :
x y x)y
V RAI V RAI V RAI
FAUX V RAI V RAI
FAUX FAUX V RAI
V RAI FAUX FAUX
15.5.1 Les associations d'attributs binaires : denitions
Nous utilisons dans ce paragraphe le vocabulaire des bases de donnees : un exemple e (non
supervise) est appele un enregistrement. Il est decrit par d attributs binaires (x1 ; x2 ; : : : ; xd ), ou
champs. La valeur a 1 d'un attribut pour un exemple est appelee un item.
Nous utiliserons comme exemple dans ce paragraphe la base de donnees (l'ensemble d'ap-
prentissage) suivante, composee de dix exemples decrits par cinq attributs binaires :
x1 x2 x3 x4 x5
e1 0 1 0 0 1
e2 0 0 1 0 1
e3 0 0 1 0 0
e4 1 1 1 1 1
e5 1 1 1 1 1
e6 1 1 1 1 0
e7 1 0 1 1 0
e8 1 0 1 1 0
e9 1 0 0 0 1
e10 1 0 0 0 1
Denition 15.1
On appelle couverture (ou support) de x1 ) x2 la probabilite P (x1 ; x2 ) que x1 et x2 soient
V RAI en même temps. Comme P (x1 ; x2) = P (x2 ; x1 ), la couverture de x1 ) x2 est la même
que celle de x2 ) x1 .
Dans un tableau de donnees, on estime P (x1 ; x2 ) par la frequence d'observation : le nombre
de fois ou x1 et x2 sont V RAI ensemble, divise par le nombre total d'enregistrements.
Dans notre exemple, la couverture de x1 ) x2 vaut P (x1 ; x2 ) = 103
Il est a remarquer que les implications a trop forte couverture sont ininteressantes puisqu'elles
representent le fait que deux assertions sont (presque) toujours vraies ensemble. Inversement, si
la couverture est trop faible et si P (x1 ; x2 ) est de l'ordre de grandeur de la probabilite du bruit,
alors x1 ) x2 peut n'être due qu'au bruit.
La couverture presente une propriete interessante, celle que P (x1 ; x2 ; :::xk ) est toujours plus
grand que P (x1 ; x2 :::; xk ; xk+1 ) puisque le nombre de fois ou x1 ; x2 ; :::; xk sont V RAI ensemble
est toujours plus petit que celui ou x1 ; x2 ; xk et xk+1 sont V RAI ensemble. Cette propriete est
la base de l'algorithme (( A Priori )) que nous verrons au paragraphe suivant.
Denition 15.2
On appelle conance de : x1 ) x2 la probabilite conditionnelle de rencontrer x2 a V RAI quand
on a rencontre x1 a V RAI , soit P (x2 jx1 ) = P (x1 ; x2 )=P (x1 ). La conance de x2 ) x1 est donc
egale a P (x1 ; x2 )=P (x2 ).

Dans notre exemple, la conance de x1 ) x2 vaut PP(x(1x;x1 )2 ) = 73 , celle de x2 ) x1 vaut 34 .
Denition 15.3
On appelle dependance de x1 et x2 la valeur 9 : j(P (x2 jx1 ) ; P (x2 ))j denie quand P (x1 ) 6= 0.
Dans notre exemple, la dependance de x1 et x2 vaut j 37 ; 104 j = 0:03. La dependance de x2
et x1 vaut j 43 ; 105 j = 0:25.
Denition 15.4
On dit que la dependance entre x3 et x2 est fortuite (spurious) s'il existe un x1 tel que P (x2 jx1 ; x3 ) =
P (x2 jx1) ce qui s'exprime en disant que (( x2 est independant de x3 pour un x1 donne )).
C'est le cas pour notre exemple : P (x2 jx1 ; x3 ) = P (x2 jx1 ) = 103 .
Les dependances fortuites entre x3 et x2 representent des associations du type x2 ) x3
ou x3 ) x2 . Plus precisement, x2 et x3 sont fortuitement dependants quand ils ont une cause
commune qui (( explique )) leur correlation fortuite. Cependant, x2 et x3 sont V RAI ensemble
tres souvent et presentent une couverture du même ordre que x1 ) x2 et x1 ) x3 . L'immense
majorite des systemes de detection d'associations ne prend pas ce phenomene en compte et
presente comme egalement valides les trois implications, x1 ) x2 , x1 ) x3 , x2 ) x3 , bien que
la troisieme soit fausse en un certain sens. L'approche des reseaux bayesiens (chapitre 12) est la
seule qui tente de rendre compte de ce genre de phenomene.
15.5.2 L'apprentissage des associations

On a donc un tableau dont les colonnes sont les champs de la base de donnees (les attributs),
les lignes sont les enregistrements de la base de donnees (les exemples) et chaque valeur a 1
d'un champ pour un enregistrement donne est appele un item. Un ensemble d'items pour un
enregistrement a ete appele un (( itemset )) par les inventeurs americains de ces techniques et le
terme est reste en francais. Dans le vocabulaire qui nous est familier, un itemset est donc un
sous-ensemble de tous les attributs binaires valant 1 pour un exemple donne.
9. Ce mot est trompeur : la relation de dependance n'est pas symetrique. Elle exprime en realite combien x2 depend
de x1 .
Dans notre exemple, fx2 ; x3 g et fx1 ; x4 g sont des itemsets de e5 .

Denition 15.5
Une association est une implication disant que deux itemsets sont V RAI ensemble pour un
nombre susant d'exemples. La couverture de l'association est calculee comme le nombre d'item-
sets, divise par le nombre total d'enregistrements (d'exemples). Quand une couverture est superieure
a une valeur MinCouv xee a l'avance par l'utilisateur, on dit que l'itemset constitue par cette
intersection est frequent.
Dans notre exemple, en prenant Mincouv = 3, les itemsets (x1 ; x3 ; x5 ) et (x1 ; x3 ; x4 ) sont
frequents avec pour valeurs d'association : sx1 x3 x5 = 3 et sx1 x3 x4 = 5.
MinCouv caracterise la couverture minimale exigee par un utilisateur pour une regle d'as-
sociation. Le probleme que resoud l'algorithme (( A Priori )) est de trouver tous les itemsets
frequents, c'est-a-dire ceux qui ont une couverture plus grande que MinCouv.
L'interêt d'utiliser la notion de couverture des itemsets est double.
D'une part, cela permet de prevoir tout un groupe d'associations a couverture impor-
tante. Considerons par exemple l'itemset compose de l'intersection des quatre champs
fx1 ; x2 ; x3 ; x4 g. Si cette intersection est frequente, alors toutes les regles d'association as-
sociees a ce quadruplet ont une couverture frequente. Par exemple, x1 ^ x2 ) x3 ^ x4 ,
x1 ) x2 ^ x3 ^ x4, x1 ^ x2 ^ x3 ) x4 , x1 ^ x4 ) x3 ^ x2 , : : : sont toutes des regles d'asso-
ciation frequentes parce que, par denition, leur couverture est celle de fx1 ; x2 ; x3 ; x4 g.
D'autre part, l'utilisation du fait que l'intersection de deux itemsets a une couverture
inferieure ou egale a celle de chacun d'eux permet la construction d'algorithmes rapides,
comme (( A Priori )), pour trouver tous les itemsets frequents.
Algorithme 15.3 Algorithme A Priori
Creer L1 , l'ensemble des 1-itemsets frequents par une consultation de la base de donnees.
tant que le test d'arrêt n'est pas satisfait faire
E tape 1 Utiliser Lk;1 pour produire Ck contenant les k-itemsets candidats.
NB. : Ceci se fait sans consulter la base de donnees.
E tape 2 Ne conserver que les itemsets de Ck qui sont frequents : ils constituent Lk .
NB. : Ceci demande une consultation de la base de donnees.
n tant que
Exemple
Soit (fx1 ; x2 ; x3 g; sx1 x2 x3 ) le 3-itemset compose des champs x1 , x2 et x3 , de couverture
sx1 x2 x3 = 0:3. A la troisieme etape du traitement de notre exemple, on a :
L3 = f (fx1 ; x2 ; x3 g; sx1 x2x3 );
(fx1 ; x2 ; x4 g; sx1 x2 x4 );
(fx1 ; x3 ; x4 g; sx1 x3 x4 );
(fx1 ; x3 ; x5 g; sx1 x3 x5 );
(fx2 ; x3 ; x4 g; sx2 x3 x4 ) g
Il faut alors en principe creer les ensembles pouvant être construits a partir de L3 pour construire
C4 .
C4 = f(fx1 ; x2 ; x3 ; x4 g; 0:3); (fx1 ; x3 ; x4 ; x5 g; 0:2); :::g
En realite, la construction de tous ces itemsets n'est pas necessaire : comme fx1 ; x4 ; x5 g n'est
pas dans L3 , fx1 ; x3 ; x4 ; x5 g n'a pas a être examine.
Dans notre exemple, seuls les sous-ensembles de fx1 ; x2 ; x3 ; x4 g sont frequents. fx1 ; x2 ; x3 ; x4 g
est donc le seul candidat possible a former C4 .
On aura donc : C4 = f (fx1 ; x2 ; x3 ; x4 g; sx1 x2 x3 x4 ) g.
Comme sx1 x2 x3 x4 = 3 alors L4 = f (fx1 ; x2 ; x3 ; x4 g; 3) g si MinCouv 3 sinon L4 est vide
et le processus s'arrête.
15.5.3 Decouverte de suites temporelles dans les donnees
15.5.3.1 Representation des connaissances et denition du probleme
Le principe de cette decouverte automatique consiste a utiliser une information particuliere

souvent presente dans les bases de donnees : la date d'arrivee de chaque enregistrement. On va
en deduire une description des itemsets en suites ordonnees par le temps. Si l'itemset i se trouve
avant l'itemset j dans la suite, cela signiera que i est survenu avant j .
Un itemset peut être lui-même represente par une suite ordonnee selon un indice arbitraire
(par exemple le numero d'identication de l'item, ou l'ordre alphabetique des noms des items).
Mais cela n'a pas de signication temporelle : le fait que l'item i se trouve avant l'item j , tous
les deux contenus dans l'itemset k, ne signie pas que i precede j dans le temps. Tous les items
contenus dans un même itemset sont donc consideres comme contemporains.
Supposons que les champs soient indexes par les entiers naturels. Alors, nous dirons que
(5; 1) represente l'itemset constitue par le fait que les champs 1 et 5 prennent la valeur V RAI .
(5; 1) est equivalent a (1; 5). On dira qu'un itemset I1 est inclus dans l'itemset I2 quand tous les
elements de I1 se trouvent dans I2 . On le note par I1 I2 .
Suite temporelle d'itemsets
Par exemple, la suite d'itemsets S = h(3; 6; 9); (5; 1)(7)i indique que l'itemset (3; 6; 9) precede
temporellement l'itemset (5; 1).
Denition 15.6
Un enregistrement est dit appartenir a la couverture d'une suite lorsque cette suite appara^t
dans cet enregistrement. La probabilite P (S ) d'une suite S est estimee par le rapport du nombre
d'enregistrements qui appartiennent a sa couverture, divise par le nombre total d'enregistrements.
On appelle couverture la valeur de P (S ).
Soit alors une mesure de frequence M . On peut prendre pour M la couverture ou une
autre mesure d'association comme la probabilite conditionnelle P (S1 jS2 ) d'observer une suite
S1 sachant qu'une autre S2 a ete observee. On dira qu'un evenement est M -frequent quand la
frequence de M est superieure a une valeur xee a l'avance par l'utilisateur. On peut alors denir
l'inclusion de deux listes de plusieurs facons et chacune engendre un probleme de decouverte
dierent.
Denition 15.7
La suite S1 = ha1 ; :::; an i est incluse dans la suite S2 = hb1 ; :::; bm i, avec m n, s'il existe une
suite d'entiers i1 < i2 ::: < in telle que a1 bi1 ; a2 bi2 ; :::; an bin .
Exemple
La suite h(3; 6; 9); (5; 1)i est incluse dans la suite h(3; 7; 6; 9); (7; 3; 9); (1; 2; 5)i. Quand la lon-
gueur de suite S1 est k, on dit qu'elle est une k-suite. Une suite de longueur 1, une 1-suite,
contient donc un seul itemset.

Denition 15.8
Le probleme de la decouverte automatique pour les suites temporelles d'itemsets s'enonce ainsi :
trouver toutes les suites d'itemsets qui soient a la fois M -frequentes et maximales.
15.5.3.2 Les quatre phases de la solution au probleme
Phase 1 : creation de la base.
Chaque enregistrement contient une suite d'items ordonnee dans le temps. Par exemple,
si le consommateur j a achete de la biere, du pain et de la mayonnaise au temps t, et
de la mayonnaise, du pain, et des biscuits au temps t + 1, l'enregistrement j est alors :
h(biere, pain, mayonnaise); (mayonnaise, pain, biscuits)i.
Phase 2 : determination de tous les itemsets M -frequents.

Ce sont par denition les 1-suites M -frequentes. Ces itemsets frequents sont renommes par
un index entier pour faciliter les appariements.
Exemple
Si les produits (( biere )), (( pain )) et (( mayonnaise )) sont frequemment achetes et si la
M -frequence est simplement la couverture, alors ces items sont frequents. On remplace
alors, par exemple, (( biere )) par (( 1 )), (( pain )) par (( 2 )), (( mayonnaise )) par (( 3 )). Un
item peut comprendre plusieurs produits a la fois, comme par exemple ((( biere, pain ))).
Supposons qu'il soit aussi frequent et qu'on lui associe le nombre (( 4 )). Si (( biscuits )) n'est
pas frequemment achete, alors aucun indice ne lui est associe, pas plus qu'a ((( mayonnaise,
pain, biscuits ))).
Phase 3 : recriture de la base.
Chaque enregistrement est transforme en l'ensemble des itemsets frequents qu'il contient.
Si un enregistrement ne contient aucun itemset frequent, alors il est elimine. Il n'intervient
plus que dans le decompte du nombre total d'enregistrements.
Exemple
Considerons l'enregistrement :
j =: h(biere, pain, mayonnaise); (mayonnaise, pain, biscuits)i. Il est recrit comme :
h( (( biere )), (( pain )), (( mayonnaise )), (( biere, pain ))); ((( mayonnaise )), (( pain )))i
qui est nalement recrit :
h(1; 2; 3; 4); (3; 2)i.
Phase 4 : trouver toutes les suites frequentes, et ne conserver que les maximales.
Comme pour la detection des associations, on va engendrer tous les candidats de taille
k + 1 a partir des sequences de taille k, puis on eliminera les candidats qui ne sont pas
frequents.
Exemple [AMS+95].
Soit la base de donnees :
e1 h(1; 5); (2); (3); (4)i
e2 h(1); (3); (4); (3; 5)i
e3 h(1); (2); (3); (4)i
e4 h(1); (3); (5)i
e5 h(4); (5)i
Posons qu'une suite est frequente si sa couverture est superieure ou egale a 2.
1-suite couv. 2-suite couv. 3-suite couv. 4-suite couv. max. suite couv.
h1i 4 h12i 2 h123i 2 h1234i 2 h1234i 2
h2i 2 h13i 4 h124i 2 h1345i 1 h135i 2
h3i 4 h14i 3 h134i 3 h45i 2
h4i 4 h15i 3 h135i 2
h5i 4 h23i 2 h145i 1
h24i 2 h234i 2
h25i 0 h235i 0
h34i 3 h245i 0
h35i 2 h345i 1
h45i 2
Par exemple, on ne teste pas la suite h125i puisque h25i n'est pas frequente. La suite h135i
est la seule suite de longueur 3 qui soit frequente et non contenue dans h1234i.
15.5.3.3 Generalisation de la notion de suite (( contenue dans une autre suite )) en
fonction des connaissances du domaine
La notion de base est celle de l'inclusion (denition 15.7). Cette notion va être generalisee
selon le type des connaissances introduites.
Suite contenue dans une autre en presence d'une taxonomie de generalite
Denition 15.9
Soit T une taxonomie de generalite 10 . Un enregistrement contient un item x si x est dans T ou
si un ancêtre de x est dans T . Un enregistrement contient un itemset y si tout item de y est
contenu dans T .
La denition de l'inclusion peut alors être modiee pour prendre en compte cette nouvelle
notion de contenance :
Denition 15.10
On dira que la suite S1 = ha1 ; :::; an i est incluse dans la suite S2 = hb1 ; :::; bm i, m n, s'il existe
une suite d'entiers i1 < i2 ::: < in telle que a1 bi1 ; a2 bi2 ; :::; an bi2 , ou maintenant
signie (( contenu dans )) comme nous venons de le denir.
Exemple
Considerons les deux itemsets:
e1 = h(1); (2); (3; 4)i
e2 = h(1; 2); (5); (3)i
Cherchons les suites de couverture maximale communes aux deux enregistrements. On trouve
h(1)(3)i et h(2)(3)i.
Admettons alors que nous ayons la connaissance suivante :
A est le parent de 2, 4 et 5
B est le parent de 1 et 3.
En introduisant les relations de parente dans les itemsets, ils deviennent :
e1 = h(1; B ); (2; A); (3; B; 4; A)i,
10. Voir le chapitre 3 et le chapitre 11
e2 = h(1; B; 2; A); (5; A); (3; B )i

On obtient les itemsets frequents suivants de longueur 2 :
h(1)(3)i, h(2)(3)i,
h(B )(B )i, h(A)(B )i, h(1)(B )i,
h(2)(B )i, h(A)(3)i, h(A)(3)i,
qui sont de simples generalisations des itemsets existants.
Mais on obtient aussi une suite de longueur 3 :
h(B )(A)(B )i
dont sont frequentes les instances h(1)(A)(B )i et h(B )(A)(3)i.
Suite contenue dans une autre avec une fenêtre d'identite temporelle
Deux evenements sont consideres comme simultanes s'ils arrivent dans une fenêtre de temps
donnee, c'est-a-dire que leur distance temporelle est inferieure a un laps de temps xe d'avance.
La denition est alors presque la même que la precedente, avec une nouvelle notion d'inclusion.
Denition 15.11
On dira que la suite S1 = ha1 ; :::; an i est incluse dans la suite S2 = hb1 ; :::; bm i, m n, s'il existe
une suite d'entiers i1 u1 i2 u2 ::: in un telle que pour chaque paire buj bij telle que
temps(buj ; bij ) fenêtre; aj est incluse dans l'union des bk pour k compris entre i ; j et uj .
Intuitivement, cela signie que l'on transforme la suite des enregistrements en ajoutant les
enregistrements obtenus en reunissant en un seul tous ceux qui arrivent dans la fenêtre tempo-
relle.
Exemple
Considerons les deux itemsets precedents auxquels on rajoute la connaissance temporelle en
indice (en jours) comme suit (cela revient a conserver les (( data-sequences ))) :
e1 = h(1)t=1 ; (2)t=2 ; (3; 4)t=15 i
e2 = h(1; 2)t=1 ; (5)t=20 ; (3)t=50 i
Supposons que nous mettions une fenêtre temporelle de sept jours. Alors les donnees de-
viennent :
e1 = h(1); (2); (1; 2); (3; 4)i
e2 = h(1; 2); (5); (3)i
On obtient donc les suites frequentes:
h(1)(3)i, h(2)(3)i et h(1; 2)(3)i.
Suite contenue dans une autre en presence d'un intervalle de validite

Deux evenements ne seront ici consideres que s'ils ne sont pas trop eloignes temporellement,
c'est-a-dire si leur distance temporelle est inferieure a une valeur max-interv xee. La denition
est alors la même que 15.7, moyennant encore une nouvelle notion d'inclusion:
Denition 15.12
On dira que la suite S1 = ha1 ; :::; an i est incluse dans la suite S2 = hb1 ; :::; bm i, m n, s'il
existe une suite d'entiers i1 < i2 ::: < in telle que a1 bi1 ; a2 bi2 ; :::; an bi2 ou on ajoute la
condition suivante : 8k > 1; temps(bik ; bik;1 ) max-interv.
Intuitivement, max-interv elimine de l'appartenance a une sequence les evenements qui sont
trop lointains les uns des autres.
En ajoutant la condition 8k > 1; temps(bik ; bik;1 ) min-interv, cette denition s'etend au
cas ou on desirerait eliminer aussi des evenements trop rapproches.
Exemples:
Considerons e1 = h(1)t=1 ; (2)t=1 ; (3; 4)t=1 i e2 = h(1; 2)t=1 ; (5)t=1 ; (3)t=1 i avec un max-interv
de 20, alors plus aucune suite n'est frequente car elles ne sont plus incluses dans e2 .
Avec ce même max-interv, et en introduisant les relations de parentes ci-dessus : e1 =
h(1; B )t=1 ; (2; A)t=2 t; (3; B; 4; A)t=15 i e2 = h(1; B; 2; A)t=1 ; (5; A)t=20 i on observe donc les sequences
frequentes au sein de max-interv :
h(B )(A)i; h(A)(A)i
ainsi que leurs instances h(1)(A)i; h(2)(A)i.
Combinaison des cas precedents
On peut combiner les cas precedents en remplacant par (( contenu dans )) et la condition
8k > 1; temps(bik ; bik;1 ) max-interv par celle-ci : 8k > 1; temps(buk ; bik;1 ) max-interv.
15.5.3.4 Generation de k-suites frequentes a partir de (k ; 1)-suites frequentes
Denition: suites contigues
Considerons l'exemple de la suite S2 = h(1; 2); (3; 4); (5); (6)i. La suite ha1 ; :::; an i est contigue a
la suite S2 = hb1 ; :::; bm i, n m si au moins l'une des trois conditions suivantes est veriee :
1. S1 est derivee de S2 en enlevant un item soit de b1 , soit de bm .
Par exemple, sont derivees par cette regle de S2 = h(1; 2); (3; 4); (5); (6)i les suites :
h(1); (3; 4); (5); (6)i, h(2); (3; 4); (5); (6)i et h(1; 2); (3; 4); (5)i.
2. S1 est derivee de S2 en enlevant un item d'un quelconque bi , a condition que bi contienne
au moins deux items.
Par exemple, sont derivees par cette regle de S2 = h(1; 2); (3; 4); (5); (6)i les suites :
h(1); (3; 4); (5); (6)i, h(2); (3; 4); (5); (6)i, h(1; 2); (3); (5); (6)i, h(1; 2); (4); (5); (6)i
En combinant les deux, on peut deriver les suites h(1); (3); (5); (6)i, h(1); (4); (5); (6)i,
h(2); (3); (5); (6)i, h(2); (4); (5); (6)i, etc.
3. S1 est contigue a S10 et S10 est contigue a S2 . Par exemple, h(3; 4); (5); (6)i est contigue a
h(1); (3; 4); (5); (6)i, laquelle est contigue a h(1; 2); (3; 4); (5); (6)i. En combinant a nouveau
sur h(1); (3; 4); (5)i, on obtient h(4); (5)i qui est donc contigue a h(1; 2); (3; 4); (5); (6)i.
Inversement, h(1; 2); (3; 4); (6)i ne peut être obtenue qu'en eliminant un element ne conte-
nant qu'un item non place en bout de cha^ne, donc elle n'est pas contigue a h(1; 2); (3; 4); (5); (6)i.
Intuitivement, on obtient l'ensemble des sous-suites contigues d'une suite S en la (( vidant )) de
la facon suivante :
soit en enlevant un item aux elements de S qui contiennent plus d'un item,
soit en enlevant le premier ou le dernier element s'ils ne contiennent qu'un seul item.
On va donc eliminer les elements non centraux les uns apres les autres. Il y a bien sûr de
nombreuses facons d'eectuer cette operation.
Exemple
Jointure de deux suites
Les suites S1 et S2 peuvent se joindre quand la suite obtenue en eliminant le premier element
de S1 est la même que la suite obtenue en eliminant le dernier element de S2 .
Par exemple, h(1; 2); (3; 4); (5)i et h(2); (3; 4); (5; 6)i peuvent se joindre. Leur jointure est
h(1; 2); (3; 4); (5; 6)i.
Noter que la jointure de h(1; 2); (3; 4)i et h(2); (3; 4); (5)i est h(1; 2); (3; 4); (5)i.
h(1; 2; 3)(4; 5); (7)i
h(2; 3)(4; 5); (7)i h(1; 2; 3)(4); (7)i h(1; 2; 3)(4; 5)i
h(3)(4; 5); (7)i
h(4; 5); (7)i

h(5); (7)i
h(5)ih(7)i
h(5)i h(7)i
hi
Dans le cas des 1-suites, on engendre ainsi deux jointures. Par exemple, en joignant les
1-suites h(1)i et h(2)i, on doit introduire les 2-suites h(1); (2)i et h(1; 2)i qui toutes les deux
redonnent une des listes de depart en enlevant soit le premier soit le deuxieme element.
On notera que les k ; 1-suites de depart sont contigues aux k-suites d'arrivee.
On elimine alors des suites ainsi obtenues celles qui ont au moins une sous-suite contigue qui
n'a pas la couverture minimale.
Theoreme 15.1
Cette procedure (a partir des k ; 1-suites respectant la contrainte sur max-interv) engendre
un ensemble de k-suites qui contient l'ensemble de toutes les k-suites frequentes (respectant la
contrainte sur max-interv).
Ce theoreme se demontre en passant par le lemme suivant :
Theoreme 15.2
Soit D une suite indicee par le temps qui contient une sous-suite S (non indexee par le temps
mais satisfaisant la contrainte max-interv). Toutes les sous-suites contigues de S satisfont cette
même contrainte.
En eet, si S satisfait la contrainte, cela signie que la distance temporelle entre chacun de
ces elements est inferieure a max-interv. Alors, si on enleve un element central a S, on peut
introduire un nouvel intervalle de temps superieur a max-interv.
Exemple sur une suite indicee.
La suite h(1)t=1 ; (2)t=10 ; (3; 4)t=15 i satisfait la contrainte max ; interv = 10, alors que la
sous-suite h(1)t=1 ; (3; 4)t=15 i ne la satisfait pas. Cette operation d'enlever un element central est
justement interdite quand on engendre des sous-suites contigues. Quand on enleve un element
en tête ou en queue de suite, on supprime un intervalle de temps sans modier les autres.
La suite h(1)t=1 ; (2)t=10 ; (3; 4)t=15 i satisfait la contrainte max ; interv = 10 et les sous-
suites h(2)t =t=10 ; (3; 4)t=10 i et h(1)t=1 ; (2)t=10 ; (3)t=15 i la satisfont aussi, ainsi que toutes les
sous-suites contigues: h(2)t=10 ; (3)t=15 i, h(2)t=10 ; (4)t=15 i, h(1)t=1 ; (2)t=10 i.
Les sous-suites contenant un seul element satisfont trivialement la contrainte sur max ;
interv. Le theoreme devient alors facile a demontrer. En eet, la phase de jointure ne peut
engendrer que des sequences respectant la contrainte max ; interv.
Exemple
Quel que soit max-interv, si les suites h(1)t=1 ; (2)t=10 ; (3; 4)t=15 i et h(2)t=10 ; (3; 4)t=15 ; (6)t=25 i
satisfont a la contrainte, alors la suite jointe h(1)t=1 ; (2)t=10 ; (3; 4)t=15 ; (6)t=25 i satisfait triviale-
ment la contrainte. Du fait que la phase d'elimination ne cree que des sous-suites contigues, le
lemme montre que toutes les sous-suites ainsi creees respectent la contrainte.
15.6 Le coapprentissage et les melanges d'exemples supervises

et non supervises
Nous presentons dans ce paragraphe deux techniques recentes qui permettent, sous certaines
hypotheses, de superviser totalement un ensemble d'apprentissage compose d'une partie super-
visee et d'une partie non supervisee. C'est particulierement utile dans le cas ou l'etiquetage
par expert, qui coûte cher, doit être fait sur des grandes quantites de donnees, comme pour le
traitement de la langue ecrite ou orale.
15.6.1 Le cas de deux jeux independants d'attributs : le coapprentissage
Une premiere technique peut s'appliquer quand on dispose sur les donnees d'assez d'attri-
buts pour les partager en deux sous-ensembles statistiquement independants. Blum et Mitchell
([BM98]) proposent l'exemple de la classication des pages Web des sites universitaires en classes
telles que pages personnelles des etudiants, page d'accueil d'un departement, page de description
d'un cours, etc. Les deux jeux de descripteurs sont les suivants :
Un vecteur entier de dimension egale a la taille du dictionnaire utilise (le nombre de
mots dierents possibles), dont la valeur d'une coordonnee est le nombre de fois que ce
mot appara^t dans la page Web. Cette description en (( sac de mots )) est tres utilisee en
linguistique automatique et donne en general des resultats plutôt bons 11 si on considere
qu'elle ne tient pas compte de l'ordre des mots.
Un autre vecteur sac de mots qui ignore le texte de la page et decrit ses references a
d'autres pages (ses hyper liens).
11. Pour la tâche d'apprentissage du concept (( page de description d'un cours )), un classicateur bayesien naf a ete
entra^ne sur douze pages Web avec une description en sac de mots. Il a une performance de l'ordre de 87 % de
bonne classication sur un ensemble de test de deux cent cinquante pages.
Ces deux descriptions sont independantes et pourtant les mots qui composent les hyperliens
d'une page donnee sont d'une certaine facon une bonne description de cette page 12 .
Notons d'une maniere generale ces deux ensembles d'attributs independants X1 et X2 et
notons Ssup la partie supervisee de l'ensemble d'apprentissage et Snonsup la partie non supervisee.
La technique dite de coapprentissage (co-training) se deroule comme indique dans l'algorithme
15.4. Elle y est decrite pour l'apprentissage d'un concept (deux classes), mais son extension est
immediate. Le cur de la methode repose sur le choix des exemples en nombre p1 + n1 + p2 + n2
Algorithme 15.4 Algorithme de coapprentissage
tant que la convergence n'est pas realisee faire
Apprendre un classicateur A sur Ssup
Apprendre un classicateur B sur Ssup
Classer Snonsup par A

Classer Snonsup par B
Choisir les p1 exemples positifs et n1 exemples negatifs de Snonsup les plus sûrs pour A
Choisir par B p2 exemples positifs et n2 exemples negatifs de Snonsup les plus sûrs pour B
Ajouter ces p1 + n1 + p2 + n2 nouvellement classes a Ssup
n tant que
que l'on rajoute a chaque etape a Ssup. Il faut pour les choisir classer par A et B tout l'ensemble
Snonsup. On retient alors les p1 exemples pour lesquels A est (( le plus sûr )) qu'ils sont positifs.
De même pour les n1 negatifs : ce sont ceux pour lesquels la decision de A est la plus sûre.
C'est egalement ainsi que p2 et n2 autres exemples sont selectionnes par B . Un algorithme de
classication peut en eet avoir une mesure naturelle de (( sûrete )) : par exemple une probabilite,
dans le cas d'une classication bayesienne, une distance a l'hyperplan appris dans le cas d'une
decision lineaire, etc.
La justication empirique de cette methode peut se faire ainsi : si le classicateur A trouve
dans les donnees non supervisees un exemple tres proche d'un des ses exemples d'apprentissage, il
a de bonnes chances de le classer correctement. Mais cela ne signie en rien que le classicateur B
l'aurait classe correctement, puisque les jeux d'attributs X1 et X2 sont independants : être proches
dans le premier espace n'implique pas que l'on soit proches dans le second. Par consequent, A a
ajoute a Ssup un exemple supervise qui va apporter de l'information a B .
Les experiences montrent que cette technique est ecace 13 . Son analyse theorique dans le
cadre PAC prouve sa convergence sous certaines conditions. Cette methode possede aussi des
liens statistiques avec les methodes de reechantillonnage (voir le chapitre 11). En pratique, il
est important de noter que l'independance eective des deux jeux d'attributs est determinante
pour son succes.
15.6.2 L'utilisation de l'algorithme EM
D'une maniere generale, comment utiliser la partie supervisee Ssup des exemples pour etiqueter
Snonsup, la partie non supervisee? Nous allons decrire une procedure fondee sur l'algorithme EM ,
12. Les resultats experimentaux montrent que la classication obtenue sur ces seuls attributs sont presque equivalents
aux precedents sur la même tâche
13. Le même concept appris sur un ensemble de deux cent cinquante pages etiquete par co-apprentissage (dont douze
etaient etiquetes au debut) classe un ensemble de test independant en moyenne avec 95 % de succes. Les attributs
sont maintenant l'union des ensembles X1 et X2 ([BM98]).
qui a ete instanciee sur un certain nombre d'applications diverses. Rappellons que l'algorithme
EM , dont l'annexe 18.9 donne une descrition, a deja ete presente comme utile pour l'appren-
tissage des Hmm (chapitre 13) et pour l'estimation des parametres des melanges de distribution
gaussiennes, au paragraphe 15.2.2 de ce même chapitre.
Pour simplier, placons-nous dans le cas de deux classes, ce qui n'est en aucune facon limitatif
et donnons une version informelle du deroulement de cette methode.
Il faut d'abord disposer d'un algorithme d'apprentissage fonde sur l'estimation de parametres
d'un modele statistique. Typiquement, cet algorithme suppose par exemple que la distribution
a priori de chacune des classes est gaussienne : les parametres a estimer sont alors la moyenne
et la matrice de covariance de la distribution de chaque classe. Ce probleme a ete traite dans
le cas supervise au chapitre 14. Par consequent, une fois l'apprentissage par estimation des
parametres realise sur les donnees etiquetees Ssup , on peut calculer pour chacune des deux
classes la probabilite estimee d'avoir engendre chaque exemple de Ssup et de Snonsup.

Il est possible maintenant d'etiqueter chaque exemple par la regle MAP , autrement dit en
utilisant le principe de la classication bayesienne. Chaque exemple se verra donc attribuer
l'etiquette de la classe qui a la plus grande probabilite de l'avoir engendre.
On peut desormais apprendre deux nouveaux modeles sur l'ensemble des donnees, en utili-
sant l'etiquetage que l'on vient de realiser. Ces deux nouveaux modeles permettront un nouvel
etiquetage de l'ensemble des donnees par le principe MAP , ce qui permettra de calculer deux
modeles modies, et ainsi de suite. Cette boucle sera poursuivie jusqu'a ce que l'etiquette d'au-
cun exemple ne change plus.
D'une maniere plus generale, on peut considerer la classe de chaque exemple comme une
variable cachee et utiliser l'algorithme EM pour l'estimer, avec pour resultat l'etiquetage de
chaque exemple par une classe. Ceci conduit a l'algorithme general 15.5.
Cette methode generale a ete particularisee pour l'apprentissage dans des problemes varies ou
l'etiquetage est coûteux, comme en traitement de la langue naturelle ecrite ou orale. On a ainsi
realise l'apprentissage de modeles statistiques de sequences pour la la syntaxe et le vocabulaire en
reconnaissance de la parole, celui de modeles gaussiens nafs pour la classication des sites Web,
etc. Dans le cas ou les modeles statistiques utilises sont les modeles bayesiens nafs, l'algorithme
se reecrit sous une forme qui permet d'y ajouter des sophistications ([BM98]).
Algorithme 15.5 Algorithme supervise non supervise
Apprendre les modeles initiaux des classes sur Ssup
S Ssup [ Snonsup
tant que la convergence des modeles des classes n'est pas realisee faire
Etape E (estimation) : etiqueter S par le principe MAP
selon les modeles courant des classes
Etape M (maximisation) : estimer les modeles des classes a partir de cet etiquetage
n tant que

Les sources philosophiques de la classication sont anciennes et nombreuses et la classication
automatique est toujours l'objet de debats de fond. L'argument de D. Hume, relaye par J.-L.
Borges, est en eet simple et confondant : (( Il n'existe pas de classication de l'univers qui ne soit
arbitraire et conjecturale. La raison en est fort simple : nous ne savons pas ce qu'est l'univers )).
Sur un plan operationnel, s'il ne s'agit que d'opposer les classes par leur nature gometrique
et statistique (et non pas de decouvrir leur nature cachee), les travaux remontent a Pearson
(1894). Les mesures statistiques et les algorithmes ont ete developpes en particulier dans le
cadre des sciences naturelles, mais aussi en reconnaissance de formes et en statistique appliquee.
Les besoins actuels de la fouille de donnees ont donne une nouvelle impulsion a ce domaine,
en particulier par l'introduction des techniques de decouverte des associations entre attributs
binaires, l'etude des melanges supervises et non supervises et l'invention du co apprentissage.
L'ouvrage de Jain et Dubes [JD88] est une somme theorique et pratique constamment citee en
classication automatique (( classique )). Mais les ouvrages en francais sont nombreux et re etent
la vigueur de ce domaine en France : [Cel89], [Ler81], [Sap90], [Jam89], [Leb95].
Resume
Il existe des methodes pour separer en classes un ensemble d'apprentissage non supervise.
Ces methodes peuvent induire une hierarchie de partitions sur l'ensemble ou une partition
avec un nombre donne de classes.
Ces methodes s'appliquent naturellement aux donnees numeriques, mais peuvent s'etendre
aux donnees binaires ou symboliques.
D'autres techniques permettent d'extraire des associations logiques entre les attributs.
Leur ranement autorise la prise en compte d'intervalles. temporels.
Il est possible d'etiqueter completement par co apprentissage des ensembles de donnees
non completement supervises.
Chapitre 16
L'apprentissage de re exes par
renforcement
L'un des problemes les plus fascinants en apprentissage est celui de l'adaptation en
ligne, par renforcement. Il est en eet omnipresent dans les systemes naturels, y
compris chez les plus simples organismes, et correspond a une large classe d'appli-
cations dans laquelle il n'est pas envisageable de fournir les informations detaillees
necessaires a l'apprentissage supervise. Dans sa forme la plus simple, cette situa-
tion d'apprentissage implique un systeme agissant dans le monde et soumis de ce
fait a une sequence de signaux correspondant aux etats successifs traverses par le
systeme. De temps en temps, un signal de renforcement positif ou negatif sanctionne
la sequence de decisions prises par le systeme. La tâche du systeme est de cher-
cher une strategie de conduite, appelee (( politique )) dans ce contexte, qui maximise
l'esperance de renforcement dans les situations a venir. Cela passe generalement par
une estimation des esperances de renforcement soit en fonction des etats, soit en
fonction des actions du systeme dans le monde.
L'apprentissage par renforcement est dicile pour deux raisons principales. D'une
part, le signal de renforcement fourni en retour au systeme est tres pauvre, c'est
generalement juste un scalaire, et n'apporte donc que peu d'informations sur le monde
et sur les decisions a prendre. D'autre part, le delai qui separe le signal de renforce-
ment des decisions qui y ont conduit rend ardue l'attribution de merite ou de blâme
a chacune des decisions prises dans le passe.
Malgre ces dicultes, l'apprentissage par renforcement a suscite de nombreux tra-
vaux depuis plus de quarante ans en automatique et en apprentissage articiel. La
notion d'un systeme autonome interagissant directement avec l'environnement et ti-
rant de cette experience une connaissance du monde susante pour y (( survivre ))
et prosperer est en eet tres seduisante intellectuellement. Par ailleurs, elle a de
tres nombreuses applications potentielles dans les domaines du contrôle de proces-
sus, de la navigation, de la conduite de robot, de l'apprentissage dans les jeux, de la
planication nanciere, etc.
484
n canard automatique, un programme, un robot peuvent-ils apprendre a se compor-
U ter dans un environnement inconnu, ou en tout cas dont ils ne percoivent l'existence
que par des reponses agreables ou desagreables a ses actions? On sait qu'un chien
se dresse par punition-recompense et que des animaux generalement juges moins
intelligents, comme les oies ou les corbeaux, sont capables de modier durablement leur com-
portement en fonction d'essais et de reponses du monde exterieur. Mais ce type d'apprentissage,
fondamental dans le monde animal, est-il modelisable et transposable pour des programmes?
Il semble desormais que la reponse soit positive, grâce aux techniques de l'apprentissage par
renforcement. Il est aujourd'hui possible d'imaginer un robot arrivant sur une planete incon-
nue ou il doit tout decouvrir : les eventuelles chausses-trappes, les endroits lui permettant de
recharger ses batteries, l'action de ses roues dans cet environnement inconnu. Son objectif est
de survivre le mieux possible dans ce monde. Pour cela, il doit identier les dierents etats dans
lesquels il peut se trouver, apprendre a associer des eets a ses actions pour chaque etat possible
et decouvrir comment ce monde exterieur associe une reponse aux etats.
Dans cette situation d'apprentisage, l'espace des hypotheses est particulier puisqu'il s'agit
d'apprendre deux fonctions : l'une faisant passer d'etat en etat et l'autre faisant eectuer une
action a partir d'un etat, l'une et l'autre tenant compte de la recompense ou de la punition
associee par le monde exterieur. Il s'agit donc d'un probleme d'optimisation numerique, mais
dans lequel les techniques par exploration denies au chapitre 3 ne sont que de peu d'utilite.
Naturellement, le robot de l'illustration ci-dessous n'est pas dote de facultes d'apprentissage ;

il n'est pourtant pas impossible d'envisager des systemes mecaniques ameliorant leur comporte-
ment par apprentissage par renforcement, mais il est beaucoup plus facile d'utiliser des machines
programmables pour cela.
Fig. 16.1 { Une replique realisee par Frederic Vidoni en 1998 du canard de J. de Vaucanson
(c. 1741). Musee des automates de Grenoble.
Chapitre 16 L'apprentissage de re exes par renforcement 485
Notations utiles pour ce chapitre
E L'ensemble des etats
Z L'ensemble des actions
R L'ensemble des signaux de renforcement (souvent IR)
s Un etat
a Une action
(s; a) La probabilite que l'action a soit choisie dans l'etat s par la politique
Q (s; a) La vraie esperance de gain quand l'action a est prise dans l'etat s
rt Le signal de renforcement recu par l'agent a l'instant t
Rt Le gain cumule a partir de l'instant t
E Esperance en suivant la politique
0 1 Le taux de diminution des renforcements
16.1 Description du probleme

Nous nous interessons a un agent situe dans un certain environnement qu'il ne conna^t pas,
ou du moins qu'il ne conna^t qu'imparfaitement. Cet agent cherche a recevoir des recompenses
et a eviter les punitions, qui dependent de ses actions. Comment doit-il s'y prendre? Quelle ligne
de conduite doit-il suivre?
Reprenons les choses plus formellement. Les recompenses et punitions, pour lesquelles nous
utiliserons desormais le terme de signal de renforcement, dependent de l'etat present du systeme.
Plus precisement, nous supposons qu'a chaque etat correspond un signal de renforcement,
eventuellement nul. Si l'agent cherche a maximiser une certaine esperance de gain, il doit donc
chercher a atteindre les etats correspondant aux signaux les plus favorables (les recompenses).
Pour cela, l'agent doit être capable de mesurer son etat courant et d'identier les actions qui
sont les plus a même de le conduire vers les etats favorables. Les problemes a resoudre sont les
suivants :
1. L'agent ne conna^t pas son environnement, ce qui signie :
qu'il ne conna^t pas les signaux de renforcement associes a chaque etat ;
qu'il ne conna^t pas la topologie de l'espace des etats, c'est-a-dire notamment les etats
accessibles a partir d'un etat donne.
2. L'agent ne conna^t pas l'eet de ses actions dans un etat donne, c'est-a-dire la fonction
qui associe a chaque couple (etat, action) un etat resultant.
Dans les methodes d'apprentissage par renforcement, l'agent n'a pas de connaissances a priori
sur le monde et il opere par une sorte de reconnaissance des etats du monde et une interpolation
de ses observations. Il est evident que ce type d'apprentissage par identication progressive
necessite une long apprentissage. En contrepartie de cette relative inecacite, et parce qu'il
s'accomode de presupposes tres faibles, il s'agit d'un apprentissage applicable dans une grande
variete de situations. En fait, la seule hypothese est que le monde est de nature stochastique (les
actions peuvent avoir des eets non deterministes) et stationnaire (les probabilites de transition
entre etats, et les signaux de renforcement, restent stables au cours du temps).
16.1.1 La modelisation d'un agent en action dans le monde
La theorie de l'apprentissage par renforcement s'appuie sur une modelisation des agents et
des environnements qui est une idealisation manipulable des situations reelles d'apprentissage,
Environnement
Action a(t)
Perception s(t)
Récompense r(t)
Fig. 16.2 { Le schema abstrait d'un agent en interaction avec le monde suivant trois canaux :
perception, renforcement immediat et action instantanee.
sans être triviale au point de trop s'eloigner de la realite. Cette modelisation suppose que l'agent
communique avec son environnement par trois canaux distincts :
Un canal perceptif par lequel l'agent mesure l'etat dans lequel il se trouve dans l'environne-
ment. Ce canal correspond aux donnees fournies par un ensemble de capteurs, par exemple
des cameras, des capteurs de proximite a ultrasons, des centrales inertielles, etc. Les infor-
mations fournies sont souvent partielles et parfois erronees. Nous notons s(t) l'ensemble
des informations passant par ce canal a l'instant t.
Un canal specique aux signaux de renforcement renseignant l'agent sur la qualite de
l'etat courant. On suppose dans l'apprentissage par renforcement que ce canal ne trans-
met qu'un scalaire 1 . Nous notons r(t) l'information transmise par ce canal. Ce signal n'est
generalement pas disponible dans tous les etats, mais seulement pour quelques etats par-
ticuliers. Par exemple, c'est seulement a la n d'une partie d'echecs que l'on dispose de la
sanction : perte, gain ou nulle.
Un canal qui transmet a l'environnement l'action de l'agent. Nous notons a(t) l'information
ainsi transmise de l'agent vers l'environnement. Generalement, ce signal declenche une
modication de l'etat de l'environnement, comme par exemple quand un robot fait tourner
ses roues ou quand un joueur d'echecs joue un coup. Ici aussi, la modication de l'etat
peut être non deterministe dans la mesure ou l'agent n'a pas une connaissance parfaite de
l'environnement.
Nous notons E l'espace des etats mesurables, R l'espace des signaux de renforcement, c'est-
a-dire un intervalle de la forme [;a; +b] avec a; b 2 IR+ , et Z l'espace des actions disponibles
pour l'agent. Dans ce cadre, nous posons donc qu'a chaque instant t, l'agent percoit le monde
comme etant dans l'etat st 2 E . Il choisit alors d'eectuer l'action at 2 Z parmi les actions
possibles dans l'etat courant. A la suite de cette action prise dans cet etat, il recoit un signal de
renforcement immediat rt 2 R.
L'agent peut donc être considere comme realisant une fonction de E dans Z : st 7! at . Suivant
la terminologie en usage, nous appelons politique cette fonction de comportement, et nous notons
t la politique a l'instant t. Plus precisement, une politique est une fonction denie de E Z
dans IR, qui associe a chaque etat s et chaque action a possible dans s, la probabilite (s; a)
associee de choisir l'action a dans s. Si les probabilites sont uniformement nulles sauf pour une
action, l'agent est deterministe.
1. Dans le cas des organismes naturels, un certain precâblage existe pour percevoir ce type de signal comme une
douleur ou un plaisir plus ou moins forts.
L'environnement peut être vu pour sa part comme implementant une fonction de E Z
dans E R : (st ; at ) 7! (st+1 ; rt ). Pour des raisons de clarte, il est utile de decomposer cette
fonction en deux fonctions. La premiere est une fonction de transition entre etats notee T .
Elle traduit la dynamique du monde ; elle est denie de E A dans E : (st ; at ) 7! st+1 . La
seconde est une fonction de renforcement immediat R de E Z dans R : (st ; at ) 7! rt . Chacune
de ces fonctions est stochastique, soumise a des aleas imprevisibles, qu'on suppose issus d'une
distribution stationnaire.
16.1.2 Les notions fondamentales
Dans cette section, nous allons formaliser les concepts introduits par la theorie actuelle de
l'apprentissage par renforcement et decrire les problemes et les grandes familles d'approches.
L'apprentissage par renforcement considere un apprenant plonge dans un environnement et
devant essayer, par ses actions, de maximiser une mesure de gain dependant des signaux de
renforcement recus tout au long de son existence dans le monde. L'une des premieres questions
consiste donc a specier cette mesure de gain.
16.1.2.1 Les mesures de gain
Precisons d'emblee qu'il n'y a pas de mesure de gain universelle valable pour toutes les
situations. Chaque domaine d'application est susceptible d'avoir sa mesure adaptee. Ainsi, le
joueur d'echec est sans doute sensible au compte des pieces gagnees ou perdues en cours de
partie, a certains criteres tels que le contrôle du centre, mais ce qui l'interesse avant tout est
l'issue ultime de la partie : gain, perte ou nulle. En revanche, pour un fournisseur d'energie
electrique qui essaie de reguler sa production en fonction de la demande, laquelle depend de
la meteorologie, de l'heure de la journee, de la situation economique, etc., il est important de
mesurer les gains et les coûts tout au long du processus de production. La mesure de gain doit
donc être dierente dans ce cas. En general, on s'interesse a une mesure de gain cumulee dans
le temps. Ainsi, que l'on ne tienne compte, comme aux echecs, que du du gain ultime, ou bien
que l'on moyenne les gains realises en cours d'action, ou encore que l'on tienne compte, comme
en economie, de gains ponderes par des taux d'interêt, toutes les options sont envisageables et
dependent de l'application concernee. Cependant, trois mesures ont ete plus particulierement
distinguees dans les recherches sur l'apprentissage par renforcement.
Gain cumule avec horizon inni :
X
T
Rt = rt+1 + rt+2 + rt+3 + : : : + rT = ri (16.1)
i=t+1
Gain cumule avec interêt et horizon inni :
X
1
Rt = rt+1 + rt+2 + 2 rt+3 + : : : + rT = k rt+k+1 (16.2)
k=0
ou joue le rôle d'un taux d'interêt : 0 1.
Gain en moyenne :
1 XT
Rt = T ; 1 ri (16.3)
i=t+1
Il faut noter que le choix de la mesure de gain a une grosse in uence sur le choix de la meilleure
politique par le systeme (voir la gure 16.3). Il est donc essentiel de peser soigneusement sa
denition avant de se lancer dans le processus d'apprentissage.
Avec k = 4 et = 0.9, quelle est la meilleure Pk r P1 t r P
politique? t=0 t t=0 t Limk!1 k1 kt=0 rt
+2
6 16 2
+10
0 59 10
+11
0 58.4 11
Fig. 16.3 { Dans l'exemple ci-dessus, le choix de la meilleure strategie, parmi les trois possibles,
depend du critere de gain adopte. Avec k = 4 et = 0:9, quelle est la meilleure
politique dans l'etat initial? Si l'on vise la premiere formule de gain, il faut choisir
la premiere politique puisqu'elle conduit au meilleur gain. Pour la deuxieme formule
de gain, il faut choisir la seconde politique. Et pour la troisieme formule, il faut
choisir la troisieme politique. D'apres un exemple dû a [KLM96].
16.1.2.2 Le dilemme exploration contre exploitation

Placons-nous dans le cas d'un agent ne connaissant pas son environnement et cherchant
a maximiser une mesure de gain cumulee. Pour ce faire, il doit naturellement commencer a
explorer son univers pour en decouvrir les potentialites, mais tres vite il se trouve devant un
dilemme. Ayant decouvert que certains comportements semblent plus protables que d'autres,
doit-il chercher a les reproduire au maximum an de maximiser le gain recherche au risque de
passer a côte d'opportunites non encore identiees, ou doit-il continuer son exploration au risque
de perdre du temps et de ne pas realiser un bon gain cumule ? Ce probleme est classique dans
tous les scenarios ou un agent doit prendre des decisions ((en ligne )) et optimiser une mesure
de performance le long de sa trajectoire. Une modelisation simple de ce genre de situations est
celle d'un joueur place devant l'une de ces machines que l'on appelle 2 le (( bandit a deux bras ))
(voir gure 16.4).
Le principe est le suivant. Un joueur dispose de m jetons avec lesquels il peut jouer avec
cette machine. Pour chaque jeton insere dans la fente, le joueur peut tirer sur l'un ou l'autre des
bras. Il recoit alors un certain nombre de pieces correspondant a son gain. Les bras sont notes
A1 et A2, ils ont une esperance de gain respective de 1 et 2 avec une variance respective de 12
et 22 . Cela signie que le gain associe a chaque bras est aleatoire, avec une certaine moyenne et
un certain ecart-type stationnaires. Les tirages aleatoires sont supposes independants. Le joueur
ne conna^t ni les moyennes ni les variances associees a chaque bras et doit donc les estimer en
cours de jeu. Le joueur ne sait donc pas quel est le bras dont l'esperance de gain est la meilleure,
et il doit essayer de maximiser son gain avec ses m jetons. Quelle doit alors être sa strategie de
tirage des bras etant donnee son estimation courante des moyenne et variance de chaque bras?
Une strategie extrême est de tirer une fois chaque bras, de noter celui qui a donne le meilleur
resultat, puis de jouer desormais systematiquement celui-ci. Cela correspond a une strategie
2. La machine a sous classique de casino est appellee en argot americain (( bandit manchot )) (one-armed bandit).
Bras A1 Bras A2
Jeton 2 4
Fig. 16.4 { Une machine a sous appelee bandit a deux bras )). Chacun des bras est associe
((
a un gain aleatoire suivant une distribution normale. Par exemple, ici, le bras A1
correspond a une loi de moyenne 4 et de variance 6, alors que le bras A2 correspond
a une loi de moyenne 2 et de variance 4. Il peut bien sûr arriver que sur un tirage
le bras A1 donne un resultat inferieur au resultat obtenu avec un tirage de A2 .
d'exploitation pure : ne plus explorer plus des qu'on possede des elements d'information mini-
maux. Bien sûr, le risque est que les deux tirages initiaux n'aient pas reveles le meilleur bras a
cause de la variance des resultats et que le plus mauvais bras ait donc ete tire systematiquement.
Plus generalement, on appelle strategie d'exploitation toute strategie qui choisit l'action dont
l'estimation courante de gain est la plus elevee.
La strategie extrême inverse consiste a tirer b m2;1 c fois sur le bras gauche et b m2;1 c fois sur le
bras droit 3, puis a tirer le dernier ou les deux derniers coups sur le bras dont la moyenne observee
est la meilleure. Cela correspond a une exploration pure, dans laquelle on alloue quasiment toutes
les decisions a l'exploration de l'environnement avant de choisir la decision ultime. Celle-ci est
alors prise avec une connaissance aussi grande que possible, mais au prix de n'avoir pas cherche
a optimiser le gain durant la phase d'exploration.
On sent bien que la strategie optimale doit se situer entre ces deux types de politiques et
qu'elle correspond a la resolution d'un compromis entre exploitation et exploration. Sa resolution
analytique (voir par exemple [Hol75]) montre que, dans le cas du bandit a deux bras, la meilleure
strategie consiste, au fur et a mesure que de l'information est acquise sur les probabilites de gain
de chaque bras, a accro^tre exponentiellement le nombre de tirages du bras paraissant le meilleur
par rapport a l'autre. (On peut trouver egalement une analyse simpliee du bandit-a-deux-bras
dans [Mit96]).
Nous verrons dans la suite que la tâche d'apprentissage par renforcement implique egalement
la resolution d'un con it entre exploration et exploitation. Si les lecons generales du probleme
des bandits a deux bras restent valables, elles doivent être anees pour chaque type d'environne-
ment. En general, il est d'ailleurs impossible de d'obtenir une solution analytique par insusance
de connaissances sur le modele sous-jacent de l'environnement.
3. La notation bxc indique l'entier imediatement inferieur a x.

16.1.2.3 La mesure de performance de l'apprentissage

Dans ce qui precede, nous avons introduit les elements de mesure des performances de l'agent
dans son univers. Une autre question concerne la mesure de performance de l'apprentissage lui-
même. Sans entrer dans les details ici, il est clair qu'il s'agit d'un parametre important. En eet,
l'apprentissage par renforcement suppose un agent apprenant par essais et erreurs. Les erreurs
peuvent coûter cher : soit parce qu'elles correspondent a des degradations de l'environnement
(par exemple si un robot heurte des objets ou un autre robot durant son apprentissage) ou a
des degradations de l'agent lui-même, ou encore parce qu'ils exigent de tres longues sessions
d'apprentissage. C'est pourquoi il est interessant de caracteriser l'apprentissage en fonction de
ses proprietes de convergence vers une politique optimale, ou bien aussi en fonction de la com-
plexite en calculs ou encore en nombre d'experiences (paires (situation, action)) necessaires. Par
exemple, un ordre de grandeur pour l'apprentissage du jeu d'Othello par renforcement est du
million de parties d'essai a jouer par l'agent avant d'avoir un bon niveau de jeu. Ce qui est
tolerable pour ce type de tâche, facile a simuler, peut l'être beaucoup moins lorsque l'apprentis-
sage implique un agent reel, par exemple une sonde d'exploration planetaire.
On cherche donc autant que possible a analyser les proprietes de convergence asymptotique
vers une politique optimale, ainsi que la complexite computationnelle et en nombre d'essais
(mesures en nombre d'actions ou de sequences d'actions par exemple) de cette convergence.
16.1.3 Les problemes et les grandes approches
Le probleme d'optimisation ayant ete deni, plusieurs approches sont envisageables pour le
resoudre.
La premiere consiste a chercher a apprendre directement un modele de l'environnement en
estimant d'une part la fonction de renforcement immediat associee a chaque etat, ou a chaque
couple (etat, action) R : denie de E dans R : st 7! rt , et, d'autre part, la fonction de transition
T caracterisant la dynamique de l'environnement : denie de E Z dans E : (st ; at ) 7! st+1 .
Le probleme est alors celui d'un apprentissage supervise s'appuyant sur les exemples glanes en
cours d'experience. L'inconvenient de cette approche, outre qu'elle necessite de chercher a tester
toutes les situations possibles, et cela plusieurs fois, est de ne pas tenir compte des interactions
entre les etats.
Une autre approche prend en compte ces interactions par l'introduction de fonctions d'utilite.
Il s'agit de fonctions traduisant l'esperance de gain a partir d'un etat : fonction notee V (s) et
denie sur S , ou a partir d'un couple (etat, action) : fonction notee Q(s; a) et denie sur E Z .
Ces fonctions estiment sur le long terme la qualite des etats ou des couples (etat, action). Elles
sont donc a dierencier des fonctions de renforcement immediat. Dans ce cas, l'apprentissage
consiste a agir dans le monde et a calculer pour chaque etat ou couple (etat, action) l'esperance
de gain associee. E videmment, ce type d'apprentissage, a priori plus interessant puisqu'il permet
un choix local de l'action a prendre, celle qui maximise l'utilite, introduit aussi des contraintes
particulieres.
Finalement, il est possible d'envisager de travailler directement dans l'espace des politiques
plutôt que de passer par l'intermediaire de fonctions locales aux etats. C'est par exemple ainsi
qu'opere le mecanisme de selection darwinienne dans la nature (voir le chapitre 8). Chaque agent
correspond a une certaine politique, et en moyenne les agents de performances mediocres sont
elimines au prot d'agents superieurs. Ce type d'approche a egalement fait l'objet d'experiences
dans le cadre de modeles d'evolution simulee (voir chapitre 8). Le succes depend en grande
partie de la structuration de l'espace des politiques. Si celle-ci est faible, il faut avoir recours
aux methodes d'apprentissage de fonctions locales, c'est-a-dire aux methodes d'apprentissage
par renforcement proprement dites que nous allons desormais examiner.
16.2 Si tout est connu : l'utilite de la fonction d'utilite

L'idee profonde sous-jacente a l'apprentissage par renforcement est de permettre a l'agent
d'optimiser sa conduite sur le long terme (celle qui maximise son gain cumule) sur la base
de decisions locales ne necessitant pas de recherche en avant. Il faut donc que l'information
disponible localement, au moment et au lieu ou se trouve l'agent, re ete l'esperance de gain
a long terme. Cette information locale, resumant les potentialites a long terme des actions
possibles, est traduite par une valeur numerique appelee utilite. Plus generalement, on parle
de fonction d'utilite pour designer la fonction associant a chaque etat, ou a chaque paire (etat,
action), sa valeur d'utilite. Nous etudierons deux fonctions d'utilite particulieres : la premiere
associe a chaque etat s l'esperance de gain a partir de cet etat si l'on suit la politique :
V (s) = E fRt jst = sg (16.4)
la seconde associe a chaque couple (etat, action) (s; a) l'esperance de gain en partant de l'etat
s, en eectuant l'action a, puis en suivant la politique :
Q (s; a) = E fRt jst = s; at = ag (16.5)
Dans le cas d'un gain cumule avec interêt et horizon inni, les deux formules deviennent :
X
1
V (s) = E k rt+k+1 j st = s
k=0
X1
Q (s; a) = E k rt+k+1 j st = s; at = a
k=0
Nous venons de denir l'esperance de gain, donc l'utilite, en fonction d'une politique donnee.
Il se trouve que l'on peut denir une relation d'ordre partiel sur les politiques en fonction des
valeurs d'utilite associees 4 . Plus precisement :
Denition 16.1 (Ordre sur les politiques)
Une politique est dite superieure a une autre politique 0 si et seulement si l'esperance de gain
suivant est superieure ou egale a l'esp
0
erance de gain suivant 0 pour tous les etats s 2 E . En
d'autres termes, ssi V (s) V (s); 8s 2 E .
0
Cet ordre partiel permet de denir le concept de politique optimale :

Denition 16.2 (Politique optimale )
Une politique optimale est une politique superieure ou egale a toutes les autres politiques. Dans
le cas des processus markoviens, il en existe toujours une. On note cette politique optimale,
ou les politiques optimales s'il y en a plusieurs.
4. Plus precisement, cette relation d'ordre existe dans le cas des processus markoviens, pour lesquels on suppose
que la donnee d'un etat sut a resumer toute l'histoire anterieure du systeme (voir le chapitre 13). En d'autres
termes, les decisions peuvent alors être prises sans conna^tre l'histoire passee du systeme. Cette hypothese est
toujours faite dans la theorie de l'apprentissage par renforcement.
On a alors les fonctions d'utilite correspondantes :

V (s) = max
V (s); 8s 2 E (16.6)
Q (s; a) = max

Q (s; a); 8s 2 E et 8a 2 Z (16.7)
En les utilisant, il devient facile d'obtenir un comportement optimal.
Supposons que l'agent dispose des valeurs V (s); 8s 2 S . Place dans l'etat st , l'agent n'a qu'a
faire une recherche en avant a un pas pour determiner l'action a prendre. Pour chaque action a
disponible, il examine les etats accessibles s0 (il peut y en avoir plusieurs pour une même action
si l'environnement est non deterministe, chacun avec une certaine probabilite d'obtention) et
note pour chacun d'eux sa valeur V (s0 ). L'action a associee avec la meilleure esperance de
gain est l'action qu'il faut choisir :

X
at = ArgMax Psats0 Rasts0 + V (s0 ) (16.8)
a2Z s0
Supposons maintenant que l'agent dispose des valeurs Q (s; a); 8s 2 E et 8a 2 Z . Dans
ce cas, la determination de la conduite optimale dans la situation courante st est encore plus
simple, il sut de choisir l'action a maximisant Q (s; a) :
at = ArgMax Q (st ; a) (16.9)
a2Z
Dans les deux cas, la decision peut donc être obtenue tres facilement. Si l'on dispose des
valeurs d'utilite V (s), il faut faire une recherche en avant d'un pas, tandis que cela n'est même
pas necessaire dans le cas ou l'on dispose des valeurs d'utilite Q (s; a). Pourtant, la dierence
entre les deux methodes est plus profonde qu'il n'y para^t. L'equation (16.8) necessite en eet
la connaissance de l'environnement sous la forme des probabilites de transition Pssa 0 , et des
renforcements associes Rass0 recus lorsque l'agent passe de l'etat s a l'etat s0 sous l'action a.
Cette connaissance n'est pas necessaire dans le cas de l'equation (16.9). Bien sûr, cette enorme
simplication se paie par le fait qu'il faut maintenant travailler dans l'espace produit E Z au
lieu de l'espace E .
16.3 L'apprentissage des fonctions d'utilite quand l'environne-

ment est connu
Dans cette section, nous allons supposer que l'agent a une connaissance de l'environnement
sous la forme des probabilites de transition Pssa 0 et des renforcements associes Rass0 . En revanche,
il ne conna^t pas les fonctions d'utilite. Cela signie qu'il a une connaissance locale de son
environnement, mais qu'il n'a pas d'information sur l'impact a long terme des decisions qu'il
pourrait prendre. Comment peut-il alors les apprendre?
Nous allons avoir deux problemes a resoudre. D'une part, nous l'avons vu, une fonction
d'utilite depend de la politique suivie. Il nous faut donc voir comment apprendre ces fonctions
dans le cadre d'une politique donnee. D'autre part, nous cherchons a obtenir, ou du moins a
approcher, une politique optimale. Il nous faut donc voir comment passer de fonctions d'utilite
associees a des politiques a priori sous-optimales a la determination d'une politique optimale.
Nous allons etudier ces deux problemes l'un apres l'autre.
16.3.1 L'evaluation d'une politique par propagation locale d'information
Dans un premier temps, nous cherchons a evaluer une politique en determinant les valeurs
V (s); 8s 2 E .
Intuitivement, une approche simple serait de placer l'agent en chaque etat s et de lui faire
suivre a partir de la la politique , eventuellement de nombreuses fois pour moyenner sur toutes
les trajectoires possibles si le monde est non deterministe. Il surait alors de calculer la moyenne
des gains cumules obtenus pour avoir l'estimation de l'esperance de gains a partir de s. Nous
allons developper la formule correspondante dans le cas du gain cumule avec interêt et horizon
inni, mais ce qui importe est l'idee generale qui se transfere sans probleme a d'autres formules
de gains.

V (s) = E Rt j st = s
X
1
= E k r
t+k+1 st = s
k=0
X1
= E rt+1 + rt+k+2 st = s
k
(16.10)
X a" a #
k=0
X X
1
= (s; a) Pss0 Rss0 + E k rt+k+2 st+1 = s0
a s0
k=0
X X
= (s; a) Pssa 0 Rass0 + V (s0 )
a s0
Ce resultat est remarquable car il met en valeur le fait que l'on peut ramener un calcul de
gain prenant en compte toute une trajectoire (ou un ensemble de trajectoires) a partir de s a
un calcul de gain s'appuyant sur les estimations V (s0 ) des etats s0 accessibles a partir de l'etat
courant s. Il permet d'exploiter ainsi une dependance ou correlation entre les esperances de gain
des etats. L'utilite d'un etat suivant la politique est egale a une somme ponderee suivant les
probabilites de transition aux etats successeurs des utilites de ces etats successeurs plus le signal
de renforcement recu lors de la transition de s a s0 . C'est l'equation de Bellman 5 pour V .
Il se trouve que l'on peut demontrer que la valeur V (s) est l'unique solution de l'equation
de Bellman. Par ailleurs, l'equation de Bellman peut être utilisee dans une procedure d'approxi-
mation iterative :
Vk+1 (s) = E frt+1 + Vk (st+1 ) j st = sg
X X (16.11)
= (s; a) Pssa 0 Rass0 + Vk (s0 )
a s0
pour tout s 2 E . Il est clair que Vk = V est un point xe de cette regle iterative. Par ailleurs,
il est possible de montrer que la sequence fVk g converge vers V lorsque k ! 1 si < 1 ou
si les gains sont calcules sur un horizon limite. Intuitivement, cette convergence se justie par
le fait que chaque mise a jour d'une valeur Vk (s) s'appuie sur d'autres estimations Vk (s0 ), mais
aussi sur le signal de renforcement observe rt+1 . Il y a donc bien un gain d'information sur
l'environnement a chaque iteration.
5. Cette equation fait intervenir le principe de Bellman, qui est a la base des methodes de programmation dynamique.
Ce principe a ete applique par exemple au chapitre 13 dans l'algorithme de Viterbi.
Algorithme 16.1 Algorithme d'evaluation iterative d'une politique.
Donnee : la politique a evaluer
Initialisation: V (s) = 0, pour tous s 2 E + (les etats accessibles depuis s
O
Pour tout s 2 E :
v V (sP ) P a a
a (s; a) s0 Pss0 [Rss0 + V (s )]
V (s) 0
max(; jv ; V (s)j)
< f(un petit nombre reel positif)g
Sortie V V
16.3.2 Un theoreme conduisant a l'amelioration de politique

Nous avons vu comment il etait possible en principe d'approcher l'esperance de gain en
chaque etat pour une politique donnee. Cela permet a l'agent de prendre des decisions rapides
sur la base d'informations locales. Cependant, l'agent cherche aussi a ameliorer sa politique,
et eventuellement a trouver la politique optimale pour un environnement donne. Il existe un
theoreme qui arrange bien les choses car il relie les valeurs d'utilite locales V (s) et les valeurs
relatives de politiques entre elles. Il va donc être possible de s'appuyer sur les premieres pour
savoir dans quelle direction modier les secondes an de les ameliorer. Nous ne saurions trop
souligner l'importance de ce theoreme, qui fonde la plupart des methodes d'apprentissage par
renforcement.
Theoreme 16.1 (Relation d'ordre sur les politiques)
Soient et 0 deux politiques deterministes, telles que, pour tout etat s 2 E :
Q (s; 0 (s)) V (s) (16.12)
Alors la politique 0 doit être au moins aussi bonne que la politique , ce qui signie que, pour
tout etat s 2 E :
V 0 (s) V (s) (16.13)

De plus, si l'inegalite large dans l'equation (16.12) est remplacee par un inegalite stricte,
alors il en est de même dans l'equation (16.13).
Ce theoreme indique donc que si l'on trouve une modication 0 de la politique qui verie
l'equation (16.13), alors on obtient une meilleure politique. Concretement, cela peut se traduire
par une procedure d'amelioration de politique. Prenons en eet une politique deterministe ,
et une autre politique deterministe 0 identique a , sauf pour un etat s pour lequel : 0 (s) =
a 6= (s). Alors, pour tous les etats autres que s, l'equation (16.12) est veriee. Si de plus nous
avons Q (s; 0 (s)) V (s), alors la nouvelle politique 0 est meilleure que .
Il est facile d'etendre cette procedure a une procedure qui ameliore une politique sur tous
les etats s. Pour cela, il sut de prendre une politique 0 qui pour chaque etat s selectionne
l'action qui semble la meilleure selon la fonction d'utilite Q (s; a) :
0 (s) = ArgMax Q (s; a)
a2Z

= ArgMax E rt+1 + V (st+1 ) st = s; at = a

a2Z (16.14)
X
= ArgMax P a 0 Ra 0 + V (s0 )
ss ss
a2Z s0
Cette procedure de type gradient 6 choisit donc pour chaque etat l'action qui semble la
meilleure a un pas en avant, selon la fonction d'utilite V associee a la politique . Il est facile
de montrer que si la nouvelle politique
0
0 choisie selon cette procedure n'est pas meilleure que
la politique , c'est que l'on a : V = V = V , donc que l'on a atteint la politique optimale.
Tout ce qui precede a ete obtenu pour le cas de politiques deterministes, mais peut être
etendu sans probleme au cas des politiques non deterministes. Nous reportons le lecteur interesse
a [SB98] par exemple.
16.3.3 Processus iteratif d'amelioration de politique
La section precedente a montre comment passer d'une politique decrite par sa fonction
d'utilite V a une meilleure politique. Il est facile de voir comment on peut iterer ce proces-
sus. L'idee est d'alterner les phases d'evaluation de politique (section 16.3.1) avec les phases
d'amelioration de politique (section 16.3.2). Nous pouvons alors obtenir une sequence de poli-
tiques en amelioration monotone :
E 0 A E 1 A E A E
0 ;! V ;! 1 ;! V ;! 2 ;! : : : ;! ;! V
ou ;!E denote une phase d'evaluation et ;! A une phase d'amelioration.
Cette procedure iterative converge en un nombre ni d'iterations vers la politique opti-
male si la politique est representee par un processus markovien a nombre d'etats ni 7. Par
ailleurs, la convergence observee empiriquement est generalement tres rapide. Cependant, la
phase d'evaluation de politique est tres coûteuse puisqu'elle requiert de nombreux passages sur
chaque etat s 2 E qui peuvent être tres nombreux. Mais est-il possible de faire l'economie de la
determination precise des valeurs d'utilite relative a chaque politique et 0 que semble requerir
theoreme 16.1?
Il est heureusement envisageable de ne pas attendre la convergence de la phase d'evaluation
de politique avant de lancer une nouvelle phase d'amelioration de politique. De fait, on dispose
de theoremes demontrant qu'il y aura convergence ultime sur la politique optimale même si
l'alternance entre evaluation et amelioration se fait sur des granularites beaucoup plus nes que
le processus alternatif decrit plus haut. Par exemple, on peut alterner une seule iteration du
processus d'evaluation de politique entre chaque phase d'amelioration, et dans ce cas, on obtient
l'algorithme d'iteration de valeur :
Vk+1 (s) = max

E rt+1 + Vk (st+1 ) st = s; at = a

a2Z
X a a (16.15)
= max P ss 0 Rss0 + Vk (s0 )
a2Z s0
6. Voir le chapitre 3.
7. Dans ce cas, en eet, le nombre de politiques est ni.
Cette equation de mise a jour a realiser pour tout s 2 S , est en fait une version iterative de
l'equation de Bellman (16.10) qui suppose que cette regle iterative converge vers un point xe
correspondant a la fonction d'utilite optimale V (s).
L'action choisie a chaque instant est alors l'action maximisant le gain indique par la fonction
d'utilite Vk (s) courante :

(s) = ArgMax r0 + Vk (s0 )

a2Z
On peut aussi utiliser l'equation 16.15 non pas en l'appliquant sur l'ensemble des etats a
chaque passe, mais etat par etat, de maniere opportuniste, en fonction des situations rencontrees
par l'agent. On montre qu'en general, si tous les etats sont visites un nombre inni de fois, ce
type de procedure asynchrone converge (en d'autres termes, cela signie qu'il faut que quel
que soit l'instant t considere, chaque etat soit visite apres t). Il s'agit la d'une condition de
convergence universelle pour les regles de mise a jour par propagation locale des informations.
Cette remarque ouvre la possibilite d'apprendre en ligne en cours d'experience, en mettant a
jour les valeurs d'utilite des etats rencontres.
16.4 Si rien n'est connu : la methode de Monte-Carlo

Les methodes precedentes supposent que l'on connaisse l'environnement a travers des pro-
babilites de transition d'etats et de renforcement : Pssa 0 et Rass0 . Si ce n'est pas le cas, le principe
general est d'estimer ces valeurs par un echantillonnage obtenu en ligne, au cours des actions.
Les methodes de Monte-Carlo supposent que l'on observe des episodes complets 8 et que l'on
moyenne sur eux. Leur principe est d'estimer directement les valeurs d'utilite en calculant des
moyennes de gain pour chaque etat ou chaque paire (etat, action) en fonction des experiences
de l'agent.
Supposons que l'on cherche la valeur V (s) pour l'etat s et la politique . Il sut de
considerer toutes les sequences d'etats qui ont suivi l'etat s et de calculer la moyenne des gains ob-
serves. On realise alors empiriquement l'approximation de l'esperance : V (s) = E fRt jst = sg.
Sans entrer dans les details, notons que cette methode ne s'appuie plus sur la correlation entre
les etats mise en evidence par l'equation de Bellman. Cette perte d'information nuit a la conver-
gence du processus, mais permet en revanche de ne pas avoir a echantillonner uniformement tous
les etats et de s'apesantir sur les etats les plus importants en ignorant les etats ininteressants.
An d'ameliorer la politique suivie, il est possible d'utiliser le même principe d'alternance de
phase d'evaluation (selon la methode ci-dessus) et de phase d'amelioration. Cependant, en raison
de l'ignorance de l'environnement, il n'est plus possible de travailler avec l'equation (16.15). Il
faut avoir recours a une procedure iterative portant sur les fonctions d'utilite Q (s; a). On aura
donc :
(s) = ArgMax Q(s; a) (16.16)
a2Z
et une procedure d'amelioration iterative de politique :
Qk (s; k+1(s)) = Qk (s; ArgMax Qk (s; a))
a2Z
= max
Q (s; a))
k (16.17)
a2Z
Qk (s; k (s)) = V k (s)
8. Des sequences d'etats et d'actions s'arrêtant dans des etats terminaux.
Pour plus de details sur les conditions d'application de cette procedure, nous reportons le lecteur
a [SB98].
16.5 Le meilleur des deux mondes : la methode des dierences

temporelles
La methode des dierences temporelles (temporal-dierence learning) combine des idees des
methodes issues de la programmation dynamique et des methodes de Monte-Carlo. Comme
les premieres, elles prennent en compte les correlations entre les etats pour mettre a jour leur
evaluation. Comme les secondes, elles n'ont pas besoin d'une connaissance a priori sur l'envi-
ronnement. La methode des dierences temporelles s'appuie egalement sur une alternance de
phases d'evaluation et de phases d'amelioration. Decrivons tour a tour les deux phases.
16.5.1 L'evaluation suivant la methode des dierences temporelles
Nous avons vu que l'estimation de la valeur d'utilite selon la methode de Monte-Carlo repose
sur une approximation de la formule :

V (s) = E Rt st = s

qui se traduit par une operation iterative de mise a jour :
V (st )

V (st ) + Rt ; V (st)

ou Rt est le gain mesure apres l'instant t, et est un parametre constant. Cela peut se demontrer
par la serie d'egalites suivante. On suppose que l'esperance denissant la valeur de V (s) est
estimee par moyennage sur m + 1 episodes observes apres passage par l'etat s :
mX
+1
Vm+1 (s) = m 1+ 1 Ri
i=1
Xm
= m 1+ 1 Rm+1 + Ri
i=1
1 ;
= m + 1 Rm+1 + m Vm (s) + Vm (s) ; Vm (s)

;
= m 1+ 1 Rm+1 + (m + 1) Vm (s) ; Vm (s)

= Vm (s) + m 1+ 1 Rm+1 ; Vm (s)

L'interêt de cette methode de mise a jour incrementale est qu'elle ne necessite que la memorisation
de Vm (s) et m et un calcul simple apres chaque observation d'un episode. On peut generaliser
cette procedure a la forme generale suivante :
NouvelleEstimation

AncienneEstimation + Cible ; AncienneEstimation (16.18)

dans laquelle Cible ; AncienneEstimation est une erreur sur l'estimation courante qui est
reduite en allant d'un pas vers la Cible. Cette cible indique donc la direction dans laquelle aller.
Elle peut être sujette a des variations aleatoires. Le pas peut être une constante ou une variable
decroissant lentement, ce qui est souvent utilise pour stabiliser la valeur estimee.
La methode de la programmation dynamique (voir l'equation (16.14)) utilise la formule :

V (s) = E rt+1 + V (st+1 ) st = s

La methode des dierences temporelles est basee sur une mise a jour au coup par coup de
cette estimation :
Vt (s)

Vt (s) + rt+1 + Vt (st+1 ) ; Vt (st )
(16.19)
On parle dans ce cas de retour echantillonne (sample backup) parce que la mise a jour s'eec-
tue a partir d'observations individuelles obtenues durant l'action. Par contraste, les methodes de
retour complet (full backup) s'appuient sur une distribution complete des successeurs possibles.
C'est le cas de l'equation d'estimation utilisee dans la programmation dynamique. La possibilite

d'utiliser un retour echantillonne pour estimer incrementalement les valeurs d'utilite est cruciale
pour la faisabilite d'un apprentissage en ligne durant l'experience de l'agent dans le monde. Cela
conduit a l'algorithme 16.2.
Algorithme 16.2 Algorithme d'evaluation par la methode des dierences temporelles
Initialiser V (s) arbitrairement, et a la politique a evaluer.
faire
pour chaque episode
Initialiser s
faire
pour chaque etape de l'episode
a l'action donnee par pour l'etat s
Executer l'action a ; recevoir le renforcement
r ; et mesurer letat suivant s0
V (s) V (s) + r + V (s0) ; V (s)
s s0
jusqu'a s est terminal
jusqu'a critere d'arrêt (convergence susante)
Cet algorithme ore la possibilite de mettre a jour les valeurs d'utilite tout en agissant dans
le monde et en tirant parti des observations ainsi realisees. Il faut cependant pour en assurer la
convergence theorique que tous les etats soient visites inniment souvent sur un temps inni.
Les proprietes et conditions de cette convergence sont encore du domaine de la recherche. (Pour
les details, on peut se se reporter a [SB98]).
16.5.2 L'amelioration de politique avec les dierences temporelles

Comme pour les methodes de programmation dynamique et de Monte-Carlo, il faut preciser
comment passer de l'evaluation de la politique a l'amelioration de la politique. Nous allons
considerer deux approches typiques dont les principes sont de portee generale. La premiere est
fondee sur une approche similaire a celles evoquees plus haut reposant sur une alternance de
phases d'evaluation de politique et de phases d'amelioration. La seconde court-circuite d'une
certaine maniere l'idee même de politique.
16.5.3 Sarsa : Une methode d'amelioration (( sur politique ))
L'idee de base de l'algorithme Sarsa ([SB98] section 6.4) est la suivante : a chaque choix
d'action dans l'etat courant st , l'agent suit approximativement (nous verrons pourquoi et com-
ment) la politique courante . Apres observation du nouvel etat courant st+1 et du renforcement
recu rt+1 , il met a jour la valeur d'utilite de la situation rencontree et est alors prêt a choisir
l'action suivante. Il s'agit donc d'une methode iterative alternant evaluation et amelioration. On
qualie ce genre d'approche de methode sur politique (on-policy) car elle suppose que l'agent
s'inspire a chaque instant de la politique courante pour le choix de ses actions.
An de s'aranchir de la necessite de conna^tre un modele de l'environnement, l'approche
Sarsa estime la fonction d'utilite Q (s; a) pour la politique courante et pour toutes les paires
(etat, action). La methode des dierences temporelles conduit alors a la mise a jour suivante :

Q (st ; at ) Q (st ; at ) + rt+1 + Q (st+1 ; at+1 ) ; Q (st; at ) (16.20)

Cette mise a jour est eectuee apres chaque transition partant d'un etat st non terminal. Si st+1
est un etat terminal, alors Q(st+1 ; at+1 ) est deni comme egal a zero. Comme cette regle de mise
a jour utilise les valeurs de st ; at ; rt+1 ; st+1 ; at+1 , elle a ete baptisee algorithme Sarsa.
L'amelioration de politique se fait alors grâce a la procedure suivante. A chaque choix d'ac-
tion, l'agent utilise les valeurs estimees Q (s; a) pour selectionner l'action a executer. Pour
negocier le compromis exploitation contre exploration, l'agent utilise une procedure dite "-
gloutonne c'est-a-dire une methode de gradient bruite : l'agent selectionne en general l'action
at associee a la meilleure valeur d'utilite Q (st; at ). De temps en temps cependant, avec une
probabilite ", il selectionne aleatoirement une autre action, ce qui permet ainsi d'explorer les
politiques possibles.
Algorithme 16.3 Algorithme d'evaluation iterative d'une politique
Donnee : la politique a evaluer
Initialisation: V (s) = 0, pour tous s 2 E + fles etats accessibles depuis sg
faire
O
pour tout s 2 E faire
v V (sP
) P a a
a (s; a) s0 Pss0 [Rss0 + V (s )]
V (s) 0
max(; jv ; V (s)j)
n pour
jusqu'a < fun petit nombre reel positifg
Sortie V V
La procedure Sarsa converge avec une probabilite de 1 vers une politique optimale si toutes
les paires (etat, action) sont visitees inniment souvent sur une duree innie et si le coecient
" est bien regle (par exemple, en posant " = 1t ).
16.5.4 Le Q ; learning : Une methode d'amelioration (( hors politique ))
L'algorithme du Q-learning ([Wat89]) utilise la dependance explicite de la fonction d'utilite
Q(s; a) sur les actions, pour a la fois mettre a jour ces valeurs, donc converger vers la fonction
Algorithme 16.4 Algorithme Sarsa d'amelioration de politique
Initialiser Q(s; a) arbitrairement.
faire
pour chaque episode
Initialiser s
Choisir l'action a en utilisant une procedure "-gloutonne derivee des valeurs de Q (s; a)
faire
pour chaque etape de l'episode
Executer l'action a; recevoir le renforcement r; et mesurer letat suivant s0
Choisir l'action a0 a partir de s0 en utilisant une procedure "-gloutonne derivee des valeurs
de Q (s; a)
Q (s; a) Q (s; a) + r + Q (s0 ; a0 ) ; Q (s; a)

s s0; a a0
jusqu'a s est terminal
jusqu'a critere d'arrêt (convergence susante)
optimale Q (s; a), et aussi pour determiner l'action a prendre dans la situation courante. Dans
cette technique, la mise a jour des valeurs d'utilite se fait selon l'equation suivante :
Q(st ; at )

Q(st ; at ) + rt+1 + max Q(st+1; a) ; Q(st ; at )
(16.21)
a2Z
tandis que l'action a selectionnee dans l'etat courant s est determinee par une politique du genre
"-gloutonne assurant le compromis exploitation contre exploration. Il faut noter qu'il n'existe pas
pour le moment de methode generique pour resoudre ce compromis dans le cas du Q-learning et
que la pratique est d'utiliser des regles ad hoc determinees empiriquement pour chaque situation.
Comme pour toutes les procedures de mise a jour stochastiques dans des processus mar-
koviens, la convergence vers la valeur optimale Q (s; a) necessite que chaque etat soit visite
inniment souvent et que le parametre decroisse de maniere appropriee.
Il est interessant de noter que la convergence de la methode est assuree quelle que soit la
maniere dont les actions sont selectionnees a chaque instant, pourvu que tous les etats soient
visites inniment souvent. C'est pourquoi on parle de methode hors politique (o-policy). En
revanche, les vitesses de convergence observees sont souvent plus lentes que celles d'autres
methodes. Cela semble le prix a payer pour l'utilisation d'une methode qui a revolutionne l'ap-
prentissage par renforcement grâce a sa tres grande aisance d'emploi et a la facilite d'etablir des
preuves a son propos.
16.5.5 TD() : les methodes de dierences temporelles a plusieurs pas
Pour presenter les methodes TD(), le mieux est de presenter d'abord le cas particulier
TD(0). Cette methode eectue ses mises a jour des valeurs d'utilite en ne regardant qu'un seul
pas en avant. Même si cela sut a garantir la convergence selon les conditions deja soulignees,
celle-ci peut être lente. Les methodes TD() la generalisent en eectuant des mises a jour selon
un horizon plus lointain.
L'idee est la suivante : lorsqu'une information a ete obtenue sur le renforcement rt+1 entre
l'etat courant st et le suivant st+1 atteint avec l'action at , on peut mettre a jour la valeur V (st )
mais aussi, par ricochet, les valeurs des etats anterieurement visites V (st;i ). En general, on
ne met pas a jour uniformement les valeurs des etats visites dans le passe, mais on utilise une
ponderation diminuant l'eet de la mise a jour au fur et a mesure que l'on remonte dans la
sequence des etats.
La formule generale de mise a jour s'ecrit :
V (u)

V (u) + rt+1 + V (st+1 ) ; V (st ) e(u)
(16.22)
ou u est n'importe quel etat pour lequel e(u) 6= 0. La trace d'eligibilite e(u) determine ainsi les
etats sujets a mise a jour. Une expression habituelle de trace d'eligibilite est :
Xt (
e(s) = ( )t;k s;s k ; o
u s;sk = 1 si s = sk (16.23)
k=1 0 sinon
avec 0 < 1 pour assurer la convergence.

L'eligibilite d'un etat s denit ainsi le degre auquel il doit être sensible a la mise a jour
actuelle. Quand = 0, on retrouve la methode TD(0). Quand = 1, on retrouve a peu pres
la methode de Monte-Carlo, c'est-a-dire que l'on met a jour chaque etat a raison du nombre de
fois ou il a ete visite durant l'episode servant de base a la mise a jour.
Il est aussi possible de modier en ligne la trace d'eligibilite :
(
e(s) e(s) + 1 si s = l'etat courant
e(s) sinon
L'algorithme TD() est evidemment nettement plus coûteux a mettre en uvre que TD(0),
mais il converge en general beaucoup plus rapidement pour des valeurs de assez grandes
(mais toujours < 1). Plusieurs travaux ont ete consacres a l'analyse des traces d'eligibilite.
Elles peuvent être appliquees aux algorithmes de Q-learning, conduisant aux methodes appelees
Q()-learning.
16.6 La generalisation dans l'apprentissage par renforcement

16.6.1 Le probleme
Jusqu'a present nous avons implicitement suppose que les etats et les actions etaient enume-
rables et qu'il etait possible de representer les dierentes fonctions (par exemple la fonction
d'utilite V ) par des tables de valeurs. Or, excepte pour des environnements tres simples, cela
implique des tailles de memoire irrealistes. De plus, dans de nombreuses applications, l'espace des
etats, et parfois aussi celui des actions, est continu, rendant impossible l'usage direct de tables.
Finalement, les algorithmes de mise a jour de tables font une utilisation assez peu ecace de
l'information glanee en cours d'experience dans la mesure ou, alors qu'il est frequent que des etats
similaires aient des valeurs d'utilite et des actions optimales attachees similaires, la modication
d'une valeur dans la table n'entra^ne pas celle des autres. Dans ces conditions, l'utilisation de
tables semble peu opportun et il faut chercher une representation des politiques a la fois plus
compacte et permettant une utilisation plus ecace de l'information.
Une idee assez immediate est d'avoir recours a des techniques de generalisation dans l'espace
E des etats, et eventuellement dans l'espace Z des actions. De cette maniere, lorsqu'une situation
impliquant un etat et une action donnes est observee, l'information obtenue a cette occasion peut
être transferee par generalisation aux etats et actions similaires. Il devient alors envisageable
d'appliquer l'ensemble des techniques d'induction supervisee a ce probleme.
Les fonctions que l'on peut vouloir apprendre incluent :

l'apprentissage direct d'une politique : E ! Z ;
l'apprentissage de la fonction d'utilite V : E ! IR ;
l'apprentissage de la fonction d'utilite Q : E Z ; ! IR
l'apprentissage de l'environnement :
{ la fonction de transition :
{ deterministe : E Z ! E ,
{ ou non deterministe : E Z E ! [0; 1],
{ la fonction de renforcement : E E ! IR.
Certaines de ces fonctions, a savoir la fonction de transition et la fonction de recompense,
sont du ressort direct de nombreuses methodes classiques d'apprentissage supervise, telles des
methodes connexionnistes (chapitre 10), l'induction d'arbres de decision (chapitre 11) ou des
methodes par k-plus proches voisins (chapitre 14). Il est en eet facile d'obtenir de nombreux
exemples, et la fonction cible est generalement xe ou peu changeante (sauf si l'environnement
est gravement perturbe). D'autres posent plus de problemes, comme la fonction de politique
car il est dicile d'obtenir des exemples a partir desquels apprendre. Dans tous les cas, il
est souhaitable de disposer de methodes d'apprentissage qui permettent la prise en compte
incrementale des exemples au fur et a mesure que l'exploration du monde les rend disponibles
et qui ont la capacite de suivre une fonction cible changeante.
16.6.2 Generalisation par approximation de la fonction d'utilite
Nous supposons dans un premier temps que le probeme de prediction porte sur la fonction
d'utilite sur les etats : V . L'idee est d'aner une estimation de la fonction optimale V par des
iterations successives d'une estimation Vt au temps t en fonction de l'experience courante de
l'agent dans le monde. On suppose ici que les fonctions estimees Vi ne sont plus des tables de
valeurs mais font partie d'une classe de fonctions que l'on supposera parametree par un vecteur .
Cela signie que la fonction estimee Vt depend entierement de t variant d'un instant t au suivant.
L'une des nouveautes par rapport a un probleme de regression classique est que l'apprentissage
s'opere ici en ligne avec des exemples issus d'une distribution dependant de l'action de l'agent et
non d'une distribution d'exemples independamment et identiquement distribues (i.i.d.) comme
c'est le cas general en induction.
Typiquement, l'estimation Vt peut être realisee par un reseau connexionniste dont les poids
sont regles en cours d'apprentissage, ou par un arbre de decision. Dans ce dernier cas, le vecteur
t decrit les branchements de l'arbre appris.
Les exemples servant a l'apprentissage dependent des methodes de prediction de gain uti-
lisees. Par exemple, il est courant de prendre l'estimation de gain calculee selon la methode des
dierences temporelles : s 7! rt+1 + Vt (st+1 ).
L'utilisation de methodes de generalisation pose plusieurs questions :
1. L'application d'une methode de generalisation dans l'espace des etats signie que l'observa-
tion d'une situation ou d'une sequence de situations particuliere entra^ne la modication de
l'estimation de l'utilite non seulement pour la situation concernee mais aussi pour d'autres
situations. Existe-t-il des garanties que cette methode converge? Et si oui, converge-t-elle
vers la fonction d'utilite optimale, V dans le cas de la fonction d'utilite denie sur les
etats?
2. Est-ce que les methodes iteratives d'amelioration de politique entremêlant phases d'evalua-
tion et phases d'amelioration peuvent encore s'appliquer avec des garanties de convergence
vers la politique optimale?
3. Est-ce que les techniques d'exploration "-gloutonnes continuent a être ecaces pour, d'une
certaine maniere, echantillonner l'espace des exemples?
4. Quelle mesure d'erreur utiliser pour evaluer la performance de l'approximation de la fonc-
tion d'utilite ? Est-il encore approprie d'utiliser la mesure d'erreur quadratique qui est
employee pour la regression?
Au moment de la redaction de cet ouvrage, ces questions font l'objet de recherches et n'ont
pas encore de reponses denitives. Repondre aux deux premieres questions est d'autant moins
facile que l'apprentissage par renforcement implique souvent a la fois un apprentissage de type
incremental capable de prendre en compte les exemples au fur et a mesure de leur arrivee, mais
aussi un environnement qui peut evoluer au cours du temps. De plus, sans même avoir aaire
a un environnement changeant, les exemples eux-mêmes evoluent du fait qu'ils correspondent
souvent a des evaluations de gain qui sont adaptatives, comme c'est le cas par exemple pour la
methode des dierences temporelles. Les problemes de convergence et de vitesse de convergence

sont donc encore plus aigus que pour l'induction classique.
De nombreux travaux ont ete publies concernant des experiences d'apprentissage par renfor-
cement avec generalisation : Boyan et Moore [BM95a] ont utilise des methodes de plus proches
voisins dans une approche d'iteration de valeur ; Lin [Lin91] a mis en uvre un reseau connexion-
niste avec apprentissage par retropropagation de gradient pour apprendre la fonction d'utilite
Q(s; a) dans le Q-learning ; Watkins [Wat89], toujours dans le cadre du Q-learning, a utilise la
technique de CMAC (Cerebellar Model Articulatory Controller) due a Albus [Alb75, Alb81])
(voir plus loin la section 16.6.3) et a ete suivi par de nombreux autres chercheurs ; Tesauro
[Tes95a] a utilise un reseau connexionniste pour apprendre la fonction V (s) dans le cas du jeu
de Backgammon et Zhang et Dietterich [ZD95] ont utilise un reseau connexionniste dans une
technique de dierence temporelle TD() pour apprendre des strategies d'ordonnancement de
tâches pour des ateliers.
Dans l'ensemble, même si des resultats spectaculaires ont ete rapportes, des interferences
pernicieuses sont observees entre la mise a jour adaptative des valeurs d'utilite et l'apprentissage
par generalisation. En eet, alors que dans les environnements discrets avec maintien de tables
de valeurs, il existe des garanties que toute operation qui met a jour la valeur d'utilite (selon
les equations de Bellman) ne peut que reduire l'erreur entre la valeur courante estimee et la
valeur optimale, de telles garanties n'existent plus dans le cas continu avec des techniques de
generalisation. Il semble en particulier que les methodes de dierences temporelles a plusieurs
pas ne soient pas appropriees dans les methodes de generalisation, et qu'il faille reexaminer les
methodes d'evaluation locales de valeur d'utilite derivees des equations de Bellman. Boyan et
Moore, par exemple, ont les premiers attire l'attention sur ce probleme en 1995 [BM95a] en
donnant des exemples de fonctions d'utilite dont l'erreur croissait de maniere arbitrairement
grande par l'utilisation de techniques de generalisation. Certaines solutions ad hoc pour des
classes de problemes particulieres ont ete proposees, mais elles ne conduisent generalement qu'a
des optima locaux. La question des conditions necessaires et susantes pour la convergence dans
le cas de l'utilisation de methodes de generalisation de fonctions d'utilite reste donc ouverte.
Parmi les causes potentielles de problemes gure le fait que lors de l'apprentissage par ren-
forcement, les exemples utilises pour l'apprentissage resultent d'un echantillonnage qui re ete
la politique courante, laquelle n'est pas la politique optimale cible. Il semble que les methodes
d'exploration classiques, telles que la methode "-gloutonne, ne soient pas adaptees a cette situa-
tion. La encore, des recherches sont necessaires pour mieux comprendre les interactions entre
echantillonnage, apprentissage et amelioration de politique.
Finalement, la question de la mesure d'erreur a utiliser pour la generalisation a ete soulevee.
En eet, contrairement a la tâche de regression pour laquelle l'ecart quadratique est approprie,
l'apprentissage par renforcement vise moins a approximer correctement les fonctions d'utilite
qu'a fournir la meilleure politique. Ce qui compte n'est pas l'ecart a la fonction optimale d'utilite,
mais le fait que l'estimation d'utilite conduise bien a ce que la meilleure politique soit choisie.
Il s'agit donc de respecter l'ordre relatif des politiques an que la meilleure, , soit en tête.
Nous verrons dans la section 16.6.4 que cela a conduit recemment a reexaminer l'ensemble du
probleme.
E tant donnees toutes ces interrogations, les deux approches par estimation de fonction les
plus employees actuellement reposent toutes les deux sur une technique de descente de gradient
pour reduire l'ecart quadratique entre les valeurs estimees a l'instant t et la cible courante, par
exemple celle rapportee par la methode de dierences temporelles.
La premiere approche consiste a utiliser un reseau connexionniste (generalement un per-
ceptron multicouche) comme realisation d'un vecteur de parametre t en le modiant par
une technique de retropropagation de gradient selon une formule telle que la suivante (ici
pour la fonction d'utilite V ) :
t+1 = t vt ; Vt (st ) rt Vt(st ) (16.24)
ou vt represente la cible, c'est-a-dire l'estimation courante de V (st ), et est un pas
d'apprentissage decroissant.
La seconde approche consiste a utiliser une combinaison lineaire de n fonctions de base
pour approximer la fonction cible. L'ensemble des fonctions de base (s) = f1 (s); : : : ; n (s)g
est deni sur l'espace E des etats. L'approximation de la fonction d'utilite correspond a la
formule :
X
n
Vt (s) = t > (s) = t(i) i (s) (16.25)
i=1
Dans ce cas, le gradient de la fonction Vt par rapport a t devient : rt Vt (s) = (s).
Cette regle a l'avantage d'être simple et de conduire a un seul optimum. Comme de plus
elle est assez ecace en termes de donnees et de calculs, elle a la faveur de nombreux
chercheurs et praticiens.
Une approche duale consiste a apprendre non pas la combinaison de fonctions de base,
mais a apprendre ces fonctions de base elles-mêmes. Souvent cela correspond a apprendre
des voisinages dans l'espace. Ces methodes font l'objet de la section suivante.
16.6.3 Methodes de generalisation par partition de l'espace
L'idee de ces methodes est de decider de la reponse en un point (par exemple l'utilite associee
a un etat, ou a un couple (etat, action)) en fonction des valeurs connues dans son voisinage.
L'apprentissage consiste dans ce cas a denir le voisinage en chaque point. Le chapitre 14 traite
ce probleme en general, nous indiquons donc ici seulement les grandes approches testees en
apprentissage par renforcement.
Techniques par couverture de voisinages uniformes. L'idee est d'associer a chaque point
dont la valeur est connue un voisinage, par exemple une boule (voir la gure 16.5). La
valeur d'un point inconnu est decidee en fonction des voisinages, par exemple des boules,
dont elle fait partie. On utilise souvent une fonction lineaire des valeurs des boules dont le
point fait partie. On peut modier la densite des boules, ou bien leur forme, ce qui revient
alors a rendre non lineeaire l'approximation.
X Y
Fig. 16.5 { La valeur cherchee au point X (par exemple V (X )) depend des valeurs des points
Y dont les voisinages incluent X (d'apres ([SB98], p.203).
Techniques par partition adaptative de l'espace. Une idee qui a fait l'objet de travaux
recents consiste a denir adaptativement une partition de l'espace. Dans ce cas, chaque
partition est exclusive des autres, et la valeur d'un point est celle associee a la partition
a laquelle il appartient (voir gure 16.6). La granularite de la partition est d'autant plus
ne que la valeur estimee conna^t des variations importantes, dans un esprit similaire a
une decomposition en elements nis. Le lecteur est invite a se reporter par exemple a
[MA95, MM99, Rey00].
Fig. 16.6 { Sur cet exemple ou l'on suppose que l'espace des etats est bidimensionnel, la parti-
tion de l'espace est a granularite variable, d'autant plus ne que les variations de la
fonction estimees sont importantes.
Techniques par utilisation de fonctions noyau. Les fonctions noyau permettent de denir un
voisinage variable autour des points. Une fonction radiale typique est la fonction gaussienne
dont la variable est la distance entre le centre c et le point s :
ks ; c k2
i (s) = exp ; i (16.26)
2i2
Ces fonctions de voisinage presentent l'avantage d'être adaptatives et dierentiables, d'ou
leur emploi frequent.
Approches hierarchiques. Une approche pour essayer de faire face a la malediction de la
dimensionalite est de les traiter comme des hierarchies de problemes d'apprentissage avec
des granularites croissantes. Par exemple, l'une des methodes employees consiste a utiliser
une hierarchie sous forme de porte logique (voir gure 16.7). Chaque bo^te recoit une
description de l'environnement et prescrit un comportement, la porte choisit lequel est
eectivement applique. L'apprentissage peut alors consister a apprendre les bo^tes ou bien
le critere de selection de la porte.
En allant plus loin, il devient interessant de voir s'il est possible de decomposer un com-
portement en tâches independantes, ou quasi independantes, et de structurer un probleme
en fonction des interelations entre sous-problemes. Cela ouvre la voie a l'integration de

plusieurs comportements, qu'ils soient issus de plusieurs types ou niveaux de descriptions,
ou qu'ils resultent d'univers multiagent. L'article [Die00] constitue un bon point d'entree
pour la litterature consacree a cette approche.
micro-
agent(1)
s micro-
agent(2)
a
porte
micro- logique
agent(3)
Fig. 16.7 { Une hierarchie organisee sous forme de porte logique.
16.6.4 Methodes directes d'apprentissage de politique

Les dicultes liees aux methodes de generalisation pour approximer les fonctions d'utilite,
concernant en particulier la convergence, non garantie, et la qualite de l'approximation, parfois
tres mauvaise, ont relance l'idee d'operer une recherche directe dans l'espace des politiques plutôt
que de passer par l'apprentissage de fonctions d'utilite. Au lieu de chercher a minimiser un ecart
quadratique par rapport a la fonction d'utilite vraie, le principe consiste a exprimer les politiques
comme des fonctions parametrees, par un vecteur , et a chercher une valeur de correspondant
a une politique optimale, c'est-a-dire maximisant l'esperance de gain E (Rt ).
Pour ce faire, on passe generalement par une expression parametree par de l'estimation
de gain, note (), et on opere ensuite une descente de gradient pour trouver la valeur de
maximisant cette expression. Les dicultes de cette approche sont nombreuses. La premiere est
d'evaluer precisement l'esperance de gain ( ). La seconde consiste a trouver une parametrisation
pratique de la politique, et donc du gain. Un reseau connexionniste multicouche est souvent
utilise a cet eet. La troisieme concerne la possibilite d'utiliser une technique de descente de
gradient sur ( ). Cette fonction est rarement dierentiable, et il faut donc avoir recours a
des astuces permettant de reformuler le probleme. Finalement se pose l'eternel probleme de la
combinaison entre evaluation de l'esperance de gain et amelioration de la politique. L'approche
par recherche directe de politique n'est donc pas evidente, mais elle conna^t actuellement un vif
interêt (voir par exemple [BM99, Bax00, GU00, Wil92b]).
16.7 Le cas des environnements partiellement observables

Dans de nombreuses situations issues du monde reel, l'agent ne peut pas avoir une percep-
tion parfaite et complete de l'etat du monde, mais doit faire face a toute une variete d'incerti-
tudes. Le modele des processus markoviens est alors inapplicable tel quel. Une idee est d'essayer
de remedier au manque instantane d'information par la prise en compte d'une memoire des
evenements passes. Des modeles a base de reseaux connexionnistes recurrents ont ete experimentes,
mais sans qu'ils soient concluants au-dela de problemes simples. Une autre approche consiste a
prendre explicitement en compte l'incertitude sur les etats. C'est ce que permettent les modeles
de Markov caches. Les techniques developpees dans le chapitre 13 sont des candidates naturelles
pour realiser un tel apprentissage.
16.8 Exemples d'application

Il n'est pas question de fournir un panorama complet des domaines d'application des methodes
d'apprentissage par renforcement. Nous nous contentons donc de presenter rapidement quelques
exemples pour lesquels il est facile de trouver davantage de details dans la litterature scientique.
16.8.1 Le TD-Gammon
Bien que l'apprentissage par renforcement ne se prête pas naturellement au domaine du jeu
car l'environnement, commande par l'adversaire, n'est pas stationnaire, il y a eu de nombreuses

tentatives de systemes d'apprentissage pour des jeux divers. La plus ancienne application reussie
est celle du jeu de dames americain 9 due a Samuel en 1959 [Sam59]. Le programme apprenait
une fonction d'evaluation V (s) representee par une fonction lineaire d'un certain nombre de
facteurs determines par Samuel. Il employait un mecanisme d'apprentissage similaire a celui de
l'algorithme d'iteration de valeur, des dierences temporelles et du Q-learning.
Une autre succes plus recent est celui de Tesauro dans le domaine du backgammon [Tes92,
Tes94a, Tes95a]. Ce jeu comporte environ 1020 etats, ce qui rend impossible une methode basee
sur une table d'etats. Il faut donc utiliser une methode de generalisation dans l'espace des
etats. Tesauro a employe une perceptron multicouche (voir chapitre 10) a une couche cachee
avec apprentissage par retropropagation de gradient, pour realiser un systeme d'estimation de
la fonction de valeur :
Position sur le jeu ;! Probabilite de victoire pour le joueur courant
Une premiere version de base de l'algorithme appele TD-Gammon ne comportait aucune
connaissance specique du domaine, tandis que les versions ulterieures (TD 1.0, TD 2.0, TD
2.1) utilisaient des connaissances propres a certaines positions de jeu. Pour toutes ces versions,
l'apprentissage fût realise par simulation de jeu de l'ordinateur contre lui-même. Remarquable-
ment, aucune strategie d'exploration n'etait utilisee et l'algorithme choisissait toujours le coup
apparemment le meilleur. Cela ne pose pas de probleme au backgammon car les situations de
jeu obtenues dependent en partie d'un tirage aux des ce qui sut a garantir que tous les etats
seront visites. De plus, il s'agit d'un jeu dans lequel les parties terminent en un temps ni, ce
qui assure que des renforcements sont recus assez frequemment. Les resultats obtenus par les
dierentes versions de TD-Gammon sont resumes dans le tableau suivant :
Parties jouees en Cellules sur la Resultats
apprentissage couche cachee
Version de Mediocre
base
TD 1.0 300 000 80 Battu de 13 points en 51
matches
TD 2.0 800 000 40 Battu de 7 points en 38
matches
TD 2.1 1 500 000 80 Battu d'un point en 40
matches
9. Contrairement au jeu de dames joue en Europe continentale, le jeu de dames nord-americain (checkers) se joue
sur un damier de 8x8 cases. De plus certaines regles de prise sont dierentes.
TD-Gammon se place parmi les meilleurs joueurs mondiaux.
16.8.2 Applications au contrôle et a la robotique

Si les applications de l'apprentissage par renforcement sont de plus en plus nombreuses, elles
restent encore du domaine de l'art autant que de la science. C'est pourquoi il est interessant
avant de se lancer dans un probleme d'etudier ce qui a ete fait pour des problemes connexes.
Sans chercher, ni pouvoir, être exhaustifs, nous citons ici des travaux remarquables dans le
domaine du contrôle et de la robotique. Les references associees fournissent un point de depart
pour explorer la litterature sur ce theme.
Le contrôle et la robotique se prêtent bien a l'apprentissage par renforcement car il s'agit
d'applications souvent diciles a programmer completement, dans lesquelles l'information n'est
disponible que lors du fonctionnement de maniere incrementale et dans un environnement parfois

changeant. Parmi les applications les plus spectaculaires, on compte le robot jongleur de Schaal
et Atkeson [Sch94]. Ce robot comporte deux bras commandes par un systeme a trois degres de
liberte. Il prend une decision d'action toutes les 200 ms et doit tenter de maintenir en l'air une
sorte de pendule inverse.
Une autre application concerne des robots mobiles devant pousser des bo^tes d'un endroit
a un autre dans des pieces ([MC91]). Ce probleme se caracterise par de grandes incertitudes
sur l'eet des actions. L'approche utilisee employait une decomposition hierarchique des tâches
en sous-tâches. Une application similaire ([Mat94]) impliquait quatre robots mobiles devant
rassembler des disques. Outre l'immense espace d'etats impliques, la tâche se caracterise par
des problemes de contrôle distribue, de communication et, eventuellement, par le partage des
connaissances apprises.
L'apprentissage par renforcement a ete egalement employe avec succes dans une tâche de
contrôle de plusieurs ascenseurs dans un immeuble de dix etages. L'objectif est de minimiser la
moyenne du temps d'attente des utilisateurs. L'approche utilisee avec du Q-learning et un esti-
mateur dans l'espace des etats a l'aide d'un reseau connexionniste a donne d'excellents resultats
compares a l'etat de l'art.
D'autres applications incluent l'optimisation du remplissage de containers, l'allocation dy-
namique de canaux pour les telephones cellulaires ([SB97]) et l'ordonnancement de tâches pour
l'installation et le test de charges pour la navette spatiale ([ZD95, Zha96]).
16.9 Bilan et perspectives

L'apprentissage par renforcement s'interesse au probleme general se posant a un agent devant
apprendre a choisir ses actions dans le but d'accro^tre son esperance de gain a long terme. La
structure de son environnement etant generalement supposee inconnue, l'agent doit apprendre
a partir de ses interactions avec le monde.
Dans les approches fondees sur les fonctions d'utilite, l'agent cherche a apprendre l'utilite
de chaque etat ou de chaque paire (etat, action). Il selectionne alors l'action associee a l'uti-
lite maximale. Si la fonction d'utilite estimee est exacte, cette approche conduit a la politique
optimale sous des conditions tres generales ([SB98, BT96]). Cependant, pour la plupart des
problemes du monde reel, il est impossible de representer les fonctions d'utilite exactement, en
particulier avec des tables de valeurs. L'agent doit alors chercher une bonne approximation de
la fonction d'utilite au sein d'une classe restreinte de fonctions (par exemple sous la forme d'un
reseau connexionniste ou d'une classe de fonctions noyau). Cette approche a permis l'obten-
tion de succes remarquables dans l'apprentissage de jeux (jeu de dames [Sam59], backgammon
[Tes92, Tes94a], jeu d'echecs [BTW00]), dans le domaine de l'ordonnancement de tâches [ZD95]
et dans l'allocation dynamique de canaux de communication [SB97]).
La combinaison entre evaluation et apprentissage par generalisation pose de serieux problemes
non encore resolus. C'est pourquoi la recherche directe dans l'espace des politiques est une option
qui retient l'attention des chercheurs. Il faut signaler egalement les eorts visant a rendre moins
empiriques les methodes d'exploration utilisees pour echantillonner les situations (voir [Str00]).
Prolongeant l'apprentissage hors politique, certains travaux actuels se penchent sur l'ap-
prentissage lorsque l'experience porte sur un environnement qui diere de l'environnement cible.
C'est le cas par exemple de l'apprentissage de la bicyclette qui se fait avec une bicyclette a stabi-
lisateurs pour lequel les contraintes sont dierentes (voir [Ran00]). Ce sera le cas eventuellement
de robots d'exploration planetaire.
Par ailleurs, une question essentielle porte sur l'integration de l'apprentissage par renforce-
ment, qui est de fait un apprentissage de re exes, avec l'activite de planication qui implique
un raisonnement de nature beaucoup plus strategique.

L'apprentissage par renforcement a une longue histoire et plusieurs ascendances. L'une
d'entre elles concerne les theories behavioristes de l'apprentissage par essais et erreurs, asso-
ciation et punitions-recompenses. Une autre reside dans les theories du contrôle optimal et des
approches par programmation dynamique, en particulier dues a Bellman. Une autre est directe-
ment liee aux eorts en intelligence articielle pour simuler des souris cybernetiques, apprendre
a jouer au tic-tac-toe ou aux dames, ou encore modeliser certains apprentissages au niveau
neuronal.
L'idee d'utiliser une fonction associant a chaque couple (etat, action) une estimation de sa
valeur remonte a Shannon [Sha50] en 1950 qui la proposa dans le cadre du jeu d'echec. L'un
des premiers articles in uents en intelligence articielle est celui de Minsky en 1961 [Min61]
dans lequel il introduisit le probleme du credit assignment problem central en apprentissage par
renforcement. Donald Michie aussi, un disciple de Turing, explora plusieurs methodes d'appren-
tissage par renforcement dont le systeme Boxes [MC68] qui, dans le cadre du pendule inverse,
associe une action a chaque (( bo^te )) dans l'espace des etats. Nous citerons egalement Harry
Klopf, qui dans les annees 1970 fût l'un de ceux qui insisterent sur la dierence entre apprentis-
sage supervise et apprentissage par renforcement. Il introduisit les premiers elements de l'idee
d'apprentissage par dierence temporelle, idee qui fût reprise et developpee par Barto et Sut-
ton dans les annees 1980 et 1990. Watkins en 1989 [Wat89] reunit les approches de la theorie
du contrôle et de l'apprentissage par dierence temporelle dans le Q-learning qui eut un grand
impact sur le domaine et aida a la propagation des idees d'apprentissage par renforcement dans
des cercles plus larges d'utilisateurs et de theoriciens, aide en cela par le succes de Tesauro sur
le back-gammon. La derniere decennie a connu un developpement exceptionnel de ce domaine
de recherche qui est certainement appele a conna^tre d'autres revolutions.
Le compromis exploitation contre exploration est connu depuis longtemps et a ete modelise
par le scenario du bandit a deux bras par exemple par [Bel61] qui en a fait une analyse extensive
dans le contexte de la theorie de la decision et du contrôle adaptatif. Holland ([Hol75]) l'a etudie
egalement dans le cadre de l'analyse des algorithmes genetiques an de montrer que ceux-ci
realisent spontanement une allocation optimale entre exploration et exploitation. On peut aussi
se referer a [BF85].
Le livre de Barto et Sutton [SB98] est un ouvrage irremplacable pour l'etude de l'apprentis-
sage par renforcement et pour les sources historiques et bibliographiques le concernant.
Resume
L'apprentissage par renforcement concerne l'apprentissage par un agent autonome
d'une politique optimale, c'est-a-dire de l'action la mieux adaptee a chaque situation
envisageable pour le systeme decisionnel considere. La structure de son environne-
ment etant generalement supposee inconnue, l'agent doit apprendre a partir de ses
interactions avec le monde. En particulier, aucun professeur ne lui dit quelle action
est la meilleure a prendre dans une situation donnee et seul un signal de renforce-
ment assez pauvre (un scalaire) l'informe de temps en temps de sa performance liee
a ses decisions passees.
Classiquement, l'apprentissage par renforcement est base sur une fonction d'utilite.
Divers algorithmes et structures de representations de l'environnement ont ete pro-
poses pour apprendre cette fonction d'utilite dans le cadre formel des processus
decisionnels markoviens (PDM).
Dans ces approches, l'agent cherche a apprendre l'utilite de chaque etat ou de chaque
paire (etat, action). Il selectionne alors l'action associee a l'utilite maximale. Si la
fonction d'utilite estimee est exacte, cette approche conduit a la politique opti-
male sous des conditions tres generales ([SB98, BT96]). Cependant, pour la plupart
des problemes du monde reel, il est impossible de representer les fonctions d'uti-
lite exactement, notamment avec des tables de valeurs. L'agent doit alors chercher
une bonne approximation de la fonction d'utilite au sein d'une classe restreinte de
fonctions (par exemple sous la forme d'un reseau connexionniste ou d'une classe
de fonctions noyau). La diculte est de trouver une representation compacte assu-
rant la convergence des methodes d'apprentissage pour les PDM. C'est pourquoi de
nouvelles approches d'apprentissage plus direct de la politique sont aussi explorees.
techniques
Cinquieme partie
Approfondissements et annexes
Chapitre 17
Approfondissement sur l'analyse de
l'induction
Le chapitre 2 a expose les notions et les principes de base permettant d'aborder les
methodes developpees en apprentissage articiel et presentees dans cet ouvrage. Cer-
taines d'entre elles cependant se referent a une analyse theorique plus poussee, s'ap-
puyant en particulier sur les travaux de Vapnik. Ceux-ci sont presentes ici ainsi que
les approches relevant de principes de contrôle de l'espace d'hypotheses : principe de
minimisation du risque structurel, theorie de l'estimation bayesienne, theorie de la
regularisation, principe de compression de l'information. Le lecteur trouvera ainsi
un complement d'information utile pour aller plus loin dans l'etude de ces methodes.
Par ailleurs, il est essentiel que les praticiens de l'apprentissage connaissent l'un
des theoremes fondamentaux de l'induction : le no-free-lunch theorem qui delimite le
pouvoir inductif de n'importe quelle methode d'apprentissage en montrant qu'elles ne
peuvent être universelles. Une confrontation avec l'analyse de Vapnik aide a com-
prendre la portee de cette analyse et ses consequences pratiques pour l'apprentissage.
Ce chapitre se termine par un panorama non exhaustif mais evocateur de nouvelles
directions de recherche visant a depasser certaines des limitations du paradigme do-
minant en apprentissage articiel.
17.1 L'analyse de l'induction de Vapnik

Le chapitre 2 a introduit les grands principes inductifs: principe de minimisation du risque
empirique, principe de la decision bayesienne, principe de compression de l'information, et les
approches derivees de selection de modeles qui prennent en compte l'espace d'hypotheses. Ces
principes, intuitivement raisonnables, orent-ils des garanties de performance? Pour ce qui est
du principe de minimisation du risque empirique (Empirical Risk Minimization : ERM), l'etude
theorique rapportee dans le chapitre 2 avait montre l'interêt d'une (( analyse dans le pire cas )),
valable quelle que soit la distribution des exemples et pour n'importe quelle fonction cible. Cette
analyse PAC (apprentissage Probablement Approximativement Correct), menee dans le cas d'es-
paces de fonctions indicatrices de cardinal ni et pour des fonctions de perte comptant le nombre
d'erreurs de classication, a conduit a l'utilisation d'une convergence uniforme, s'appuyant sur
la preuve que pour toutes les hypotheses de l'espace H, il y a convergence du risque empirique
mesure sur l'echantillon d'apprentissage et du risque reel. Est-il possible de generaliser cette
etude? C'est ce que des travaux, dus en grande partie a Vladimir Vapnik, ont permis de realiser.
514 PARTIE 5 : Approfondissements et annexes techniques
Il est important de les conna^tre car ils ont debouche sur des concepts de pouvoir heuristique
puissant (la dimension de Vapnik-Chervonenkis) et sur de nouveaux algorithmes generaux et
performants (les separateurs a vastes marges et leurs derives (SVM), voir le chapitre 9)
Nous allons aborder successivement le cas d'espaces d'hypotheses indicatrices de cardinal
inni, puis celui d'espaces de fonctions quelconques avec des fonctions de perte egalement quel-
conques.
17.1.1 Cas ou jHj = 1 et F H
Dans le cas ou le nombre d'hypotheses est ni, on comprend que l'on puisse borner la pro-
babilite que l'on trouve parmi elles une hypothese apparemment correcte sur l'echantillon d'ap-
prentissage et pourtant mediocre en general. Lorsque la classe d'hypotheses contient un nombre
inni d'elements, il semble que l'on ne puisse pas dire grand chose. Pourtant, intuitivement,
on sent qu'il doit pouvoir exister des classes d'hypotheses de cardinal inni mais d'expressivite
limitee, pour lesquelles la performance sur l'echantillon d'apprentissage peut servir d'indicateur
de la performance reelle. Nous allons voir dans cette section une caracterisation possible de cette
diversite qui peut servir a etablir le lien entre risque empirique et risque reel.
L'idee generale est la même que pour le cas ou H est de cardinalite nie (voir section 2.3
dans le chapitre 2). Il s'agit d'essayer de borner la probabilite d'avoir une hypothese apparem-
ment bonne, c'est-a-dire ici de risque empirique nul (hypothese consistante) sur l'echantillon
d'apprentissage, qui soit en fait de risque reel > " :
PDZ fS : 9 h 2 H : REmp(h) = 0 & RReel (h) > "g (17.1)
Une idee essentielle consiste a chercher une mesure eective de la variabilite de H en la
mettant a l'epreuve sur un ensemble de points test tires aleatoirement. Le risque reel sera alors
evalue en utilisant un autre echantillon que l'echantillon d'apprentissage, qui sera lui aussi issu
d'un tirage i.i.d. (formes tirees aleatoirement dans X suivant une même distribution). Nous
le nommerons naturellement echantillon de test, note T . L'avantage est que l'on pourra alors
compter les dierents etiquetages de ces points que permet l'espace des fonctions hypotheses H,
et a partir de la caracteriser la variabilite eective de H.
On voudrait donc remplacer l'etude de l'expression (17.1) par celle de :

PDZ S : 9 h 2 H : REmp S (h) = 0 & RT (h) = 0 > " (17.2)
Emp
ou nous notons REmp S (h) (resp. RT (h)) le risque empirique de l'hypothese h mesure sur
Emp
l'echantillon S (resp. T ).
Une application des inegalites de Cherno 1 avec m > 2=", permet de borner l'expres-
sion (17.1) par une probabilite relative a l'expression (17.2). Plus precisement, si on note ST
l'echantillon constitue de la concatenation de S et de T , et REmp
ST (h) le risque empirique de h
mesure sur ST , on peut obtenir la borne :

PDX S : 9 h 2 H : REmp S (h) = 0 et RReel (h) > "

2PDX S T : 9h 2 H : REmp S (h) = 0 et RS T (h) > " (17.3)
Emp 2
Repetons que cette nouvelle borne represente un progres considerable dans la solution du
probleme initial. En eet, nous sommes maintenant ramenes a un comptage sur les etiquettes
1. Pour les details de la demonstration assez longue dont les developpements depassent le cadre de notre ouvrage, il
est suggere de se reporter a [AB92] pp.90-94 ou a [KV94] pp.59-61, ou encore a [AB96] pp.42-50. [DGL96] chap.12
ore aussi une exposition tres complete de la question.
Chapitre 17 Approfondissement sur l'analyse de l'induction 515
possibles de 2m points par les fonctions de H, au lieu d'avoir a considerer l'ensemble inni des
fonctions de H.
Soit un echantillon i.i.d. suivant DX de 2m points, dont l "m=2 sont mal etiquetes par
l'hypothese h. Le nombre de cas possibles pour lesquels aucune de ces erreurs n'intervient dans
les m premiers points est : Clm =Cl2m . Or : Clm =Cl2m 1=2l , puisque :
Clm = i=Y l;1
m ; i i=Y l;1;
1 = 1
Cl2m i=0 2 m ; i i=0 2 2l
La probabilite que cela arrive pour n'importe quel echantillon de taille 2m et pour n'importe
quelle hypothese est bornee par le nombre d'etiquetages dierents de 2m points par des fonctions
de H. En d'autres termes, on evalue maintenant la richesse de l'espace d'hypotheses par le nombre
de dichotomies dierentes qu'il peut induire au maximum sur un echantillon aleatoire de 2m

points. On appelle ce nombre la fonction de croissance de H : GH(2m).
S (h) = 0 et RReel (h) > "g 2 GH (2m)2;"m=2

PDX fS : 9 h 2 H : REmp (17.4)
Cette equation est tres importante. Elle nous montre que la probabilite qu'il existe une
mauvaise hypothese (pour laquelle le risque empirique nul est trompeur) est bornee par un
produit de deux termes, dont l'un est une exponentielle decroissante en m.
Il nous faut donc etudier le second terme : la fonction de croissance. En eet, l'inegalite ci-
dessus n'est utile que si la fonction de croissance cro^t a un rythme sub-exponentiel
pour laquelle la borne tend vers zero rapidement.
17.1.2 Fonction de croissance et dimension de Vapnik-Chervonenkis
Denition 17.1 (Fonction de croissance)
La fonction de croissance GH (m) denit le nombre maximal de dichotomies qui peuvent être
induites par l'espace des fonctions indicatrices H sur un echantillon de taille m sur X .
Il est important de noter que cette denition invoque l'echantillon le plus grand pour lequel
il est possible de realiser toutes les dichotomies (et non pas n'importe quel echantillon tire
aleatoirement).
Cette fonction est independante de toute distribution de probabilite sur X et ne depend
que de l'espace H. Pour m points, le nombre maximal possible de dichotomies, c'est-a-dire
d'etiquetages possibles, est de 2m . Nous avons donc : GH(m) 2m .
On dit d'un ensemble de points fx1 ; : : : ; xm g pour lequel H permet d'induire les 2m dicho-
tomies possibles qu'il est pulverise(shattered set). Dans ce cas, GH(m) = 2m , c'est-a-dire que H
permet de realiser n'importe quelle fonction indicatrice de ces m points.
Exemple 12 (Separatrices lineaires dans le plan)
La gure 17.1 illustre un espace d'entree X de dimension 2 avec ici 4 points : x1 ; x2 ; x3 ; x4 . Les
bornes des fonctions h1 et h2 sont indiquees par des ellipses. D'apres cette gure, les fonctions
h1 et h2 induisent respectivement les dichotomies :
D1 = fS; = fx3g; S+ = fx1; x2; x4 gg et D2 = fS; = fx1; x2 g; S+ = fx3 ; x4gg
L'ensemble des dichotomies possibles de l'ensemble S de ces 4 points est : jS j = 24 = 16.
Pour la classe H des concepts denis par les separatrices lineaires, il est aise de voir que tout
ensemble de trois points non colineaires peut être pulverise. La gure 17.2(a) montre l'une des
huit dichotomies possibles de trois points du plan. Le lecteur pourra facilement verier que les
sept autres dichotomies sont egalement realisables par une hypothese de H. Nous avons donc :
GH(3) = 23 .
Nous montrons qu'il est impossible de pulveriser un ensemble de quatre points quelconques
par des separatrices lineaires en considerant les deux cas generiques (l'un ou tous les points
sont sur l'enveloppe convexe, l'autre ou seuls trois points denissent l'enveloppe convexe) (-
gure 17.2(b) et (c)) pour lesquels il n'existe pas de separatrice lineaire permettant d'induire les
dichotomies correspondantes.
Nous avons donc : GH (4) 24 2
h1
h2
x2
x1 x3
x4
Fig. 17.1 { Un espace d'entree X de dimension 2 avec les dichotomies induites par deux fonc-
tions h1 et h2 .
(a) (b) (c)

+
+ +
+
-
- -
+ -
+
+
+
Fig. 17.2 { (a) Une dichotomie et une realisation par une separatrice lineaire. (b) et (c) Di-
chotomies irrealisables par des separatrices lineaires.
Exemple 13 (Rectangles paralleles aux axes dans le plan)

Il est egalement possible de realiser toutes les dichotomies possibles de trois points du plan par des
rectangles paralleles aux axes. Seul le cas degenere ou le point negatif est exactement au milieu
des points positifs rend impossible cette dichotomie (voir la gure 17.3 (a)) pour un exemple).
Par ailleurs, il existe un echantillon de quatre points pour lesquels il est possible de realiser tous
les etiquetages possibles a l'aide de rectangles paralleles aux axes (voir la gure 17.3(a), nous
laissons au lecteur le soin de le verier pour les quinze autres etiquetages). Cependant, il n'est
pas possible de former toutes les dichotomies de quatre points quelconques, comme l'illustre la
gure 17.3 (b). L'existence d'un seul echantillon de quatre points pouvant être pulverise sut
a borner la fonction de croissance par le bas GH (4) = 24 . Si nous considerons maintenant
n'importe quel echantillon de cinq points, l'un de ces points est necessairement ni en position
extrême gauche, ni en position extrême droite, ni en position extrême haute, ni en position
extrême basse (voir gure 17.3 (d)). Si nous etiquetons ce point non extremal par un '-', et
les quatre autres poinys par '+', alors il est impossible de trouver un rectangle permettant de
couvrir ces 4 points sans couvrir le cinquieme. D'ou GH (5) = 24 . 2
(a) (b) (c) (d)

+ +
+ + +
- - -
-
-
+ +
+ +
Fig. 17.3 { (a) Exemple de trois points dont la dichotomie est realisable par au moins un
rectangle. (b) Un exemple de trois points ne pouvant être distingues grâce a un
rectangle. Mais il s'agit du seul cas, correspondant a un cas degenere du cas general
a trois points (a). (c) Une dichotomie de quatre points et une realisation par un
rectangle parallele aux axes. (d) Une dichotomie irrealisable.
Denition 17.1

On appelle dimension de Vapnik-Chervonenkis (ou dimension entiere) d'un espace de fonc-
tions binaires H que l'on note dV C (H) le cardinal du plus grand ensemble de points de l'es-
pace d'entree X qu'il est possible de pulveriser. Si il n'y a pas de maximum, par convention
dV C (H) = 1.
En d'autres termes, la dimension de Vapnik-Chervonenkis d'un ensemble de fonctions de dis-
criminations est le nombre maximal d'exemples d'apprentissage dont il est possible d'apprendre
n'importe quel etiquetage. Cela signie qu'il existe un ensemble de points au moins dont le
cardinal est egal a dV C (H) et sur lequel la (( souplesse )) de H est totale.
La dimension de Vapnik-Chervonenkis est donc par denition liee a la fonction de croissance
par la relation :
dV C (H) = max fm 2 IN : GH(m) = 2m g (17.5)
Exemple 14 (Separatrices lineaires dans le plan)
D'apres l'exemple 12, la dimension de Vapnik-Chervonenkis pour les fonctions separatrices
lineaires du plan est egale a 3.
Le lecteur pourra demontrer que la dimension de Vapnik-Chervonenkis des separatrices
lineaires sur IRd est egale a d + 1. 2
Il nous reste a voir en quoi la dimension de Vapnik-Chervonenkis est plus precisement reliee
a la fonction de croissance pour nous permettre de trouver les conditions de croissance subex-
ponentielle de cette derniere lesquelles, rappellons-le, sont necessaires pour garantir l'utilite du
principe inductif ERM.
17.1.3 Le lemme de Sauer : un lemme sauveur
Nous avons vu que la fonction de croissance GH(m) est bornee par 2m . Mais est-ce que
toute valeur est possible en dessous de cette limite ? (Voir gure 17.4). Le lemme demontre
independamment par Sauer (1972), Shelah (1972) et Vapnik et Chervonenkis (1971) montre que
ce n'est pas le cas si la dimension de Vapnik-Chervonenkis est nie.
log2 {GH(m)}
?
dH m
Fig. 17.4 { Le comportement de la fonction de croissance. Nous avons trace le logarithme en

base 2 de la fonction de croissance en fonction du nombre de points dans l'espace
d'entree X . Jusqu'a dH , la dimension de Vapnik-Chervonenkis de H, GH (m) = 2m ,
d'ou le trace lineaire. Mais pour des valeurs de m dH , quelle est l'enveloppe
maximale des dichotomies possibles de m points dans X par des fonctions de H ?
Theoreme 17.1 (Lemme de Sauer)

Soient H un espace de fonctions hypotheses indicatrices sur l'espace d'entree X , dH sa dimension
de Vapnik-Chervonenkis : dH = dV C (H), et m points quelconques dans X . Alors 2 :
X
dH em dH
GH (m) Cmi dH 2 O(mdH ) (17.6)
i=0
Demonstration. Nous allons d'abord borner le nombre de dichotomies realisables sur un echantillon
S de m points quand dH = d < m par une somme de combinaisons, puis nous montrerons que
cette somme est bornee par une fonction polynomiale de m. C'est la premiere partie de la
demonstration qui est la plus importante, et la plus interessante.
Supposons par hypothese que la fonction de croissance GH (m) soit bornee par une fonction
dH (m). Soit H (S ) l'ensemble des dichotomies de S realisables a l'aide des fonctions de H, et
soit x un point de S . Nous voudrions calculer jdH (S )j a partir de jdH (S ; x)j, et ainsi obtenir
une expression recursive de jdH (S )j.
La dierence entre jdH (S )j et jdH (S ; x)j provient des ensembles de dichotomies de S qui
ne dierent que par l'etiquette de x, mais qui sont donc non distinguees dans H (S ; x). Elles
correspondent a un ensemble DS;x de dichotomies dans H (S ; x). Nous avons :
jdH (S )j = jdH (S ; x)j + jDS;x j
Il faut donc compter le nombre de ces paires de dichotomies de DS;x . Quelle est la dimension
de Vapnik-Chervonenkis de cet ensemble?
Il est facile de voir qu'elle est necessairement strictement inferieure a dH . En eet, si elle etait
egale a dH (si toutes les dichotomies de H (S;x) etaient realisables), alors toutes les dichotomies
2. Pour une demonstration, on peut se reporter a [AB92] pp.79-83 ou a [KV94] pp.54-57.
de S le seraient aussi, puisque pour chaque dichotomie de H (S ; x) on peut etiqueter x de
deux manieres dierentes. Et donc on aurait dH = d + 1, ce qui contredirait notre hypothese de
depart.
Nous avons donc : jdH (S )j = jdH (S ; x)j + jDS;x j, soit encore :
d(m) = d(m ; 1) + d;1 (m ; 1)
avec d (0) = 0 (m) = 1 (ce qui est evident). P
Il est alors facile de montrer que : d (m) = di=0
H Cl .
m
Le deuxieme temps de la demonstration est simplement technique.
Pour 0 i d et m d : (m=d)d (d=m)i 1, d'ou :
X
dH X
dH em dH
Cmi (m=d)d Cmi (d=m)i (m=d)d (1 + d=m)m < d
i=0 i=0 H
en utilisant des developpements en serie limitee classiques.
Le comportement de la fonction de croissance GH(m) est donc contrôle par la dimension
de Vapnik-Chervonenkis dH . De maniere a priori surprenante, pour m > dH , il n'y a donc pas
de fonction de croissance possible au-dessus de la borne polynomiale
p (em=dH )dH . Par exemple,
il n'est pas possible d'avoir une fonction de croissance en m. La dimension de Vapnik-
Chervonenkis correspond a une borne fondamentale de la capacite d'expression
d'un ensemble de fonctions hypotheses.
log2 {GH(m)}
Croît en 2m :
croissance exponentielle
Croît en mdH :
croissance en fonction polynomiale
dH m
Fig. 17.5 { Le comportement de la fonction de croissance d'apres le lemme de Sauer. On a

trace ici le logarithme en base 2 de la fonction de croissance.
La gure 17.5 illustre le comportement de la fonction de croissance d'apres le lemme de
Sauer. Il est interessant d'en prendre le logarithme Neperien :
dH
ln GH (m) = ln em dH = dH 1 + ln dm (17.7)
H
En reprenant l'equation 17.4, nous arrivons a l'equation fondamentale :
S (h) = 0 & RReel (h) > "g 2 GH (2m)2;"m=2
PDX fS : 9 h 2 H : REmp
2em dH (17.8)
2 d 2;"m=2
H
Cette equation montre que si la dimension de Vapnik-Chervonenkis dH est nie, alors la

convergence du risque empirique vers le risque reel est exponentiellement rapide, d'apres le
terme en 2;"m=2 , et ceci uniformement pour n'importe quelle fonction h 2 H.
A partir de cette equation, on peut aussi calculer la taille minimale d'un echantillon d'ap-
prentissage pour que la probabilite denotee par l'equation 17.8 soit inferieure a :
1
m=O " ln 1 + dH ln 1
" " (17.9)
Exemple 15 (Application numerique)

Soit dH = 3, la dimension de Vapnik-Chervonenkis de l'espace d'hypotheses (il s'agit par exemple
de l'espace des separatrices lineaires du plan, telles qu'un perceptron pourrait les realiser). On
veut une erreur d'approximation limitee a " = 1 % pour un seuil de conance de 95 % ( = 5 %).
Alors, il faut avoir un echantillon d'apprentissage de taille m 2425. 2
Voyons maintenant comment traduire l'equation 17.8 en une borne d'erreur pour toute hy-
pothese h consistante.
Theoreme 17.2 (Theoreme PAC pour les espaces innis de fonctions indicatrices)
Soit H un espace de fonctions indicatrices de dimension de Vapnik-Chervonenkis dH . Pour toute
distribution de probabilite D sur X f;1; 1g, avec une probabilite 1 ; sur les echantillons S
de m exemples tires aleatoirement sur Z , toute hypothese h 2 H coherente avec l'echantillon S
est d'erreur reelle bornee par :

RReel (h) m2 dH ln 2dem + ln 2 (17.10)
H
pourvu que dH m et m > 2=".
Ce theoreme montre que la taille de l'echantillon d'apprentissage requise pour assurer (en
probabilite) une bonne generalisation est une fonction lineaire de la dimension de Vapnik-
Chervonenkis de l'espace d'hypotheses quand on choisit une hypothese coherente, et ceci
face a toute distribution des exemples.
17.1.4 L'analyse de Vapnik et Chervonenkis pour des fonctions quelconques
L'analyse precedente est limitee sur un certain nombre de points. Elle ne s'applique en eet :
qu'a des fonctions indicatrices, donc a des applications d'apprentissage de fonctions de
discrimination (apprentissage de concepts) ;
qu'a des fonctions de perte comptant le nombre d'erreurs de classication (fonction de
perte pour la discrimination);
qu'au cas ou l'espace d'hypotheses H contient l'espace de fonctions cible F , ce qui permet
d'assurer l'existence d'au moins une hypothese coherente avec l'echantillon d'apprentissage.
Les travaux de Vapnik et Chervonenkis, menees avec opiniâtrete sur une longue periode
(1968-1998 environ), ont permis de lever ces limitations et de fournir une approche generale du
probleme de l'induction pour des espaces innis de fonctions hypothese quelconques (ou presque)
utilisant des fonctions de pertes quelconques (ou presque), y compris dans le cas ou les espaces
H et F ne concident pas. Cette analyse sert actuellement de cadre de reference pour toute la
theorie de l'apprentissage.
Nous en donnons un rapide apercu dans ce qui suit, reportant le lecteur interesse aux nom-
breuses publications concernant ce sujet, et en particulier a [Vap95] pour un petit livre d'un
abord facile resumant l'approche, et a [Vap98] pour une description detaillee. Le lecteur motive
pourra egalement se reporter avec prot a [AB96] qui donne de nombreuses preuves. [DGL96] est
egalement une reference interessante, qui ne traite toutefois que des problemes de classication
binaire.
17.1.4.1 Le theoreme fondamental de la theorie de l'apprentissage selon Vapnik
Rappelons que selon Vapnik, le probleme central de l'induction est de chercher quelle re-
lation existe entre une hypothese selectionnee selon le principe inductif ERM, qui minimise le
risque empirique, et l'hypothese optimisant le risque reel. Il s'agit en particulier d'etudier les
conditions de pertinence du principe ERM correspondant aux equations (2.10) et (2.12). Vapnik
et Chervonenkis [Vap82, VC91] ont montre le theoreme suivant.
Theoreme 17.3 (Theoreme fondamental de pertinence de l'ERM (Vapnik))
Pour des fonctions de perte bornees, le principe de minimisation du risque empirique (ERM)
est pertinent si et seulement si le risque empirique converge uniformement vers le risque reel au
sens suivant :

lim P sup jRReel (h^ S ) ; REmp(h^ S )j > " = 0; 8 " > 0
m!1 ^h
(17.11)
S2H
A nouveau, insistons sur ce point : ce theoreme 3 signie quelque chose de tres profond et de
tres important : la pertinence du principe de minimisation du risque empirique est determinee
par la pire des fonctions hypothese de H, c'est-a-dire celle dont l'ecart entre le risque empirique
mesure et le risque reel est le plus grand. C'est la l'essence des convergences uniformes. Nous
nous trouvons ici dans une theorie qui specie des garanties de generalisation face a n'importe
quelle distribution des exemples tires dans l'echantillon d'apprentissage (d'ou la convergence en
probabilite et le seuil de conance ) et face a la pire des fonctions hypothese possibles, au sens
ou, choisie selon le principe inductif ERM, elle se revelerait de fait la moins bonne.
Un theoreme de convergence uniforme necessite une propriete sur l'ensemble H des fonctions
hypothese. Pour assurer la pertinence du principe ERM par l'equation (17.11), il faut donc se
donner une mesure de diversite sur H. L'une de ces mesures de diversite ou de richesse de l'espace
d'hypotheses est evidemment la dimension de Vapnik-Chervonenkis. C'est elle qui a permis a
Vapnik et Chervonenkis d'enoncer une loi des grands nombres pour les espaces fonctionnels.
Theoreme 17.4 (Conditions necessaires et susantes pour la pertinence de l'ERM)
L'equation suivante fournit une condition necessaire et susante pour la pertinence du prin-
cipe ERM, ainsi qu'une garantie de convergence rapide, independamment de la distribution de
probabilite sur les echantillons S .
lim ln GH (m) = 0 (17.12)

m!1 m
Nous retrouvons ici la necessite, soulignee dans l'analyse PAC, que la fonction de croissance
croisse moins vite qu'une fonction exponentielle de la taille m de l'echantillon.
3. Pour une preuve partielle, se reporter par exemple a [Hay99] p.93.
17.1.4.2 Bornes utiles sur la capacite de generalisation

En reprenant la gure 17.6, les questions centrales dans l'analyse du principe inductif ERM
et de sa consistance sont :
1. Quel est le risque reel associe a l'hypothese h^ S qui minimise le risque empirique, et quelle
est la relation liant RReel (h^ S ) et REmp(h^ S )?
2. Quelle est la proximite entre le risque reel RReel (h^ S ) associe a l'hypothese h^ S selectionnee
par le principe inductif ERM et le risque reel optimal RReel (h? )?
Les reponses a ces questions peuvent être obtenues par le calcul de bornes de taux de convergence
decoulant de l'analyse theorique conduite par Vapnik et Chervonenkis. Ces bornes sont fonctions
de la taille m de l'echantillon d'apprentissage, des proprietes de l'espace de fonctions hypothese H
et de celles des fonctions de perte l(ui ; h(xi )). Nous nous limitons ici a la presentation de resultats
concernant les fonctions de perte positives bornees (correspondant aux problemes de classica-
tion). Des bornes pour d'autres fonctions de perte sont discutees notamment dans [Vap95] et
[Vap98].
Risque
RRéel(hSm)
RRéel(h*)
REmp(hSm)
Fig. 17.6 { Reprise de la gure 2.11.

Les fonctions de perte positives bornees. On suppose que la fonction de perte l(ui; h(xi ))
est bornee par B quelle que soit la fonction hypothese h, les exemples xi et les reponses desirees
ui .
Alors les reponses aux questions ci-dessus sont fournies par les bornes suivantes :
1. L'inegalite suivante est veriee avec une probabilite 1 ; simultanement pour toutes les
fonctions de H, et en particulier la fonction h^ S minimisant le risque empirique (condition
de convergence uniforme) :
B r 4R (h)
RReel (h) REmp (h) + 2 1 + 1 + Emp B (17.13)
ou :
G H (2 m ) ; ln = 4 dH[ln 2dmH + 1] ; ln =4
=4 m =4 m
2. L'inegalite suivante est valide avec une probabilite 1 ; 2 pour la fonction h^ S qui mini-
mise le risque empirique :
r r
RReel(h^ S ) ; RReel (h? ) B ; ln + B 1 + 1 + 4 (17.14)
2m 2
Il faut noter que la fonction de perte classique en classication prenant ses valeurs dans f0; 1g,
la borne B est egale a 1 dans ce cas. Par ailleurs, dans le cas de l'analyse PAC ou le risque
empirique optimal est nul, on obtient pour l'equation 17.13, l'expression suivante :
d [ln 2m + 1] ; ln =4
RReel (h) REmp (h) + 2 H dH m (17.15)
Il ressort de ces inegalites le message important que si la dimension de Vapnik-Chervonenkis de
l'espace d'hypotheses est nie, q dalors l'erreur d'estimation entre RReel (h^ S ) et RReel (h? ) converge
vers zero au rythme de O( Hmln m ) dans le cas general et de O( dHmln m ) dans le cas ou H
comprend la fonction cible f ?, et ceci pour toute distribution sur X U .
La beaute de ce resultat et sa puissance proviennent de sa nature (( pour-toute-distribution ))
et du fait que les proprietes de la classe H des fonctions hypotheses sont re etees a travers un
seul parametre : sa dimension de Vapnik-Chervonenkis.

Il est important de souligner, que d'apres [Vap95] en p.81, ces bornes ne peuvent pas être
signicativement ameliorees. Ce sont des bornes superieures assez serrees dans p la mesure ou
les pbornes inferieures connues sont du même ordre de grandeur (de l'ordre de dH =m au lieu
de (dH =m) ln (dH =m)) et donc les bornes superieures ci-dessus sont optimales a un facteur
logarithmique pres, et sont donc d'importance pratique aussi bien que theorique.
Remarque
An de pouvoir appliquer les bornes de la theorie a des problemes pratiques, il faut pouvoir estimer de
maniere precise la dimension de Vapnik-Chervonenkis de l'espace d'hypotheses concerne. Malheureuse-
ment, l'estimation analytique de la dimension de Vapnik-Chervonenkis n'est possible que pour des classes
de fonctions simples. Il faut donc souvent avoir recours a des estimations heuristiques de dH , par exemple
en observant le risque empirique sur des echantillons de donnees independants et de tailles dierentes,
comme le propose Vapnik dans [VLC94]. Le probleme de l'evaluation empirique de la dimension de
Vapnik-Chervonenkis est un sujet de recherche important.
Remarque
Ce chapitre a essentiellement pour but d'introduire le lecteur a un certain nombre de questions fonda-
mentales sur l'induction. Nous avons a cet eet laisse sous silence certaines subtilites. C'est ainsi que
par exemple, nous avons suppose que la tâche de classication binaire etait realisee par un apprenant
implementant des fonctions indicatrices. Lorsque, pour cette même tâche, l'apprenant implemente des
fonctions a valeur reelle, alors de nouvelles analyses plus nes du principe ERM peuvent être conduites.
Ce sont en particulier les analyses portant sur les classieurs a large marge (large margin classiers).
Une realisation concerne les machines a vastes marges decrites dans le chapitre 9.
17.1.5 Discussion
Finalement, le principe inductif de minimisation du risque empirique (ERM) est-il legitime?
Les analyses theoriques (PAC pour les fonctions indicatrices et de Vapnik et Chervonenkis pour
les fonctions quelconques) montrent que cela depend de la taille de l'echantillon d'apprentissage
et plus precisement du rapport m=dH qui prend en compte la dimension de Vapnik-Chervonenkis
de l'espace des fonctions hypothese H. Si en eet nous considerons les inegalites (17.13) et
(17.15), nous voyons appara^tre deux cas :
m=dH est grand. Dans ce cas, est petit, et le second terme des inegalites (17.13) et
(17.15) devient petit. Le risque reel est alors proche du risque empirique, et dans ce cas
une valeur faible du risque empirique garantit (en probabilite) une valeur faible du risque
reel.
Le principe ERM est alors justie.
m=dH est petit. Dans ce cas, une faible valeur du risque empirique ne garantit rien sur la
valeur du risque reel. Pour minimiser le risque reel, il faut aussi minimiser le terme de droite
des inegalites (17.13) et (17.15) en prenant en compte les deux termes simultanement. Or le
premier terme depend d'une fonction specique dans H, tandis que le second terme depend
de l'ensemble des fonctions H par l'intermediaire de sa dimension de Vapnik-Chervonenkis.
Pour minimiser le terme de droite de ces inegalites, il faut donc maintenant faire de dH un
parametre de contrôle. Nous verrons cette idee a l'uvre dans un nouveau principe inductif
propose par Vapnik : le principe de minimisation du risque structurel (SRM : Structural
Risk Minimization) (Voir la section 17.2.1).
17.2 Les principes inductifs avec contrôle de l'espace

des hypotheses
17.2.1 La minimisation du risque structurel : SRM
Au terme de l'etude sur la coherence du principe de minimisation du risque empirique, c'est-
a-dire du lien entre le risque empirique minimal, le risque reel associe et le risque reel optimal,
Vapnik et ses collegues ont obtenu des bornes, valables pour toute fonction cible et pour toute
distribution des exemples, sous la forme generale (pour le cas du probleme de classication) :
RReel (h^ dS ) REmp(h^ dS ) + ( dm ) (17.16)
Hd
ou dHd , la dimension de Vapnik-Chervonenkis, mesure la capacite de l'espace d'hypotheses Hd .
h^ dS est l'hypothese de risque empirique minimal dans l'espace Hd et est une fonction de la
taille de l'echantillon d'apprentissage m et de la dimension de Vapnik-Chervonenkis qui mesure
un intervalle de conance. On a une equation generale similaire pour le cas de la regression :
^d
RReel (h^ dS ) REmp (hS )
0( m ) (17.17)
dHd
Sur cette base, Vapnik propose un nouveau principe inductif baptise principe de minimisation
du risque structurel (Structural Risk Minimization : SRM) reposant sur deux idees.
1. La capacite d'une classe d'hypotheses H va être mesuree par sa dimension de Vapnik-
Chervonenkis dH . Il est alors possible de denir une structure sur les classes d'hypotheses 4
consistant en une sequence enchâssee de classes d'hypotheses Hd : H1 H2 : : : Hd
: : : telle que chaque classe Hd est de dimension de Vapnik-Chervonenkis dHd nie avec :
dH1 dH2 : : : dHd : : :
2. Le choix, par ERM, de la meilleure hypothese h^ dS , et donc du meilleur espace d'hypotheses,
se fait en selectionnant l'espace Hd qui ore la meilleure garantie de risque (selon les
equations (17.16) et (17.17), soit plus precisement les equations (17.13) et (17.15)). En
faisant l'hypothese que l'intervalle de conance donne par ces equations est serre, on peut
esperer ainsi obtenir une bonne approximation du risque reel associe aux hypotheses choi-
sies, et donc pouvoir selectionner la meilleure d'entre elles en connaissance de cause.
4. Plus precisement sur les classes de fonctions de perte associees. Mais pour ne pas surcharger les concepts generaux,
nous n'en tenons pas compte ici. Bien sûr, dans la pratique, il faudra faire attention a ce (( detail )). (Voir par
exemple [Vap95, Vap98].)
Discussion
De nombreuses variantes et implementations de l'idee generale exposee ci-dessus ont ete pro-
posees et testees (voir par exemple [BBM96], [KMNR95] pour une excellente etude comparative
de plusieurs methodes de selection de modeles, [LZ96, Mei97, MM96, STBWA96, STBWA98,
YB98]). Le principe SRM et l'idee essentielle de penalisation ou de regularisation peuvent être
appliques a de nombreuses classes de modeles (e.g. fonctions polynomiales de degre variable,
perceptrons multicouche, fonctions trigonometriques, fonctions de Fourier, etc.) ainsi qu'a des
procedures d'apprentissage elles-mêmes (e.g. le choix des conditions initiales d'un reseau de
neurones, le choix du critere d'arrêt, etc. Voir pour une bonne revue [CM98] pp.115-119).
Cela met en evidence deux points importants pour la mise en pratique de l'approche SRM.
Premierement, le choix de la classe de modeles n'est pas specie par le principe SRM et fait
partie des choix resultant de connaissances a priori sur le domaine ou de biais subjectifs de
l'experimentateur. Deuxiemement, si la procedure d'apprentissage elle-même peut presenter des

aspects qui introduisent des facteurs de regularisation, il n'est plus possible de ne considerer
que la seule regularisation introduite par la dimension de Vapnik-Chervonenkis. Cela complique
alors considerablement l'estimation du bon facteur de regularisation, et explique les approches
cherchant a determiner celui-ci de maniere empirique en fonction des conditions particulieres
d'apprentissage.
Par ailleurs, il existe des criteres theoriques sur les structures de classes d'hypotheses (H1
H2 : : : Hd : : : ) dictant comment il faut regler la sequence dH1 dH2 : : : dHd : : :
pour que la convergence vers une bonne approximation de la fonction cible f soit rapide en
fonction de l'indice dHd . Ce reglage depend de la taille de l'echantillon d'apprentissage. L'idee
principale est qu'au fur et a mesure qu'augmente la dimension dHd de l'espace d'hypothese, il
faut aussi augmenter la (( regularite )) (souvent mesuree par le degre de derivabilite) des fonctions
hypotheses. La consequence est que si la fonction cible n'est pas tres (( reguliere )), il n'est pas
possible de garantir une convergence rapide des espaces d'hypotheses Hd vers la fonction cible.
Vapnik (dans [Vap95] pp.97-100) propose alors une idee interessante d'approximation locale,
en certains voisinages d'interêts, de la fonction cible pour garantir une convergence rapide de
la capacite d'approximation. Il s'agit la d'une idee tres seduisante et qui merite des travaux
complementaires.
17.2.2 La theorie de la regularisation
Nous avons vu que l'analyse du probleme de l'induction montre que le principe naf de
minimisation du risque empirique (ERM) est insusant et qu'il faut l'amender pour tenir compte
de la (( capacite )) de l'espace d'hypotheses H a decrire des fonctions quelconques. La theorie de
la regularisation prescrit le même remede mais en partant d'un souci dierent.
D'abord, il faut noter que l'induction d'une fonction f a partir d'un echantillon S de donnees
en nombre limite peut être vue comme un probleme inverse. Le probleme direct correspondrait
a chercher l'image inconnue ui d'une valeur xi par une fonction f connue. C'est generalement
un probleme simple. Le probleme inverse consiste a chercher une fonction f inconnue qui rende
compte des couples de valeurs S = fz 1 = (x1 ; u1 ); :::; z m = (xm ; um )g. Il s'agit, selon les
mathematiciens, d'un probleme mal pose. Rappelons qu'un probleme bien pose (au sens de
Hadamard) presente les proprietes suivantes :
1. Existence : pour toute fonction cible f ayant engendre les donnees, il existe une fonction h
dans l'espace H de fonctions considere solution du probleme inverse.
2. Unicite : la solution h est unique.
3. Continuite : la solution h depend continûment de f .
L'induction est un probleme mal pose dans la mesure ou la solution obtenue par minimi-
sation du risque empirique n'est en general pas unique. Par exemple, il existe une innite de
polynômes (de degre susamment grand) passant par un nombre xe de points, et annulant
donc le risque empirique (mesure par exemple par un ecart quadratique) (voir gure 17.7). Il
peut egalement être mal pose dans le cas ou les donnees sont bruitees ou engendrees par un
mecanisme si complexe que la classe H des hypotheses ne permet pas de trouver une fonction
rendant parfaitement compte des donnees (non existence).
10
7.5
2.5
-1 1 2 3
-2.5
-5
-7.5
Fig. 17.7 { Par plusieurs points passent une innite de polynômes (ici, seuls quatre ont ete
traces). Lequel doit-on choisir pour interpoler a des donnees inconnues?
La theorie de la regularisation, initiee par Tikhonov et Arsenin (1977) et developpee en
particulier par Poggio et Girosi [GJP95] dans le cadre de l'apprentissage, consiste a transformer
le probleme de l'induction en un probleme bien pose (et si possible facile a resoudre eectivement)
en utilisant des connaissances a priori pour contraindre l'espace des hypotheses.
17.2.2.1 Le principe general
La theorie de la regularisation suggere de transformer le probleme mal pose de la recherche
d'une hypothese h rendant compte des donnees d'apprentissage S en un probleme de recherche
d'une hypothese h soumise a des contraintes additionnelles, c'est-a-dire :
1. minimisant le risque empirique REmp(h),
2. et soumis a une contrainte (f ) ou est une fonctionnelle incorporant des connais-
sances a priori sur la solution recherchee et est un parametre.
Sous des conditions assez larges sur , il est possible de montrer que la solution au probleme
de minimisation ci-dessus existe, est unique et depend continûment des donnees.
La question est alors de savoir quelle forme de connaissance a priori, traduite par la fonc-
tionnelle , il faut imposer ?
Intuitivement, l'idee est encore une fois de contraindre l'espace des hypotheses en penalisant
la classe des hypotheses si complexes qu'elles peuvent s'accorder a n'importe quel echantillon de
donnees de taille m. Deux approches sont utilisees :
1. L'approche parametrique dans laquelle on cherche a contraindre le nombre de parametres
des hypotheses. Par exemple, on cherchera des reseaux connexionnistes a petit nombre de
connexions.
2. L'approche non parametrique qui caracterise la complexite d'une fonction hypothese h par
une mesure de sa dynamique dans le domaine frequentiel. On parle alors de la regularite
de la fonction (le terme anglais utilise est smoothness). En un sens, il s'agit de preferer
les fonctions les plus (( lisses )) parmi toutes celles qui rendent compte des donnees. (Par
exemple, dans le cas des polynômes, on favorisera les polynômes de degre plus faible).
17.2.2.2 La methode des multiplicateurs de Lagrange
La minimisation des problemes sous contrainte du type :
(
minimiser une fonctionnelle : F (h) (17.18)
sous la contrainte : G(h)
se resout en faisant appel a la methode des multiplicateurs de Lagrange.
On construit d'abord le probleme d'optimisation sous-contraint :
RP en(h) = F (h) + G(h) (17.19)
ou est un parametre portant le nom de multiplicateur de Lagrange. Le point selle de cette
fonctionnelle fournit alors la solution du probleme d'optimisation. La fonctionnelle doit être

minimisee en fonction de h et maximisee en fonction de .
La solution canonique du probleme d'optimisation ci-dessus passe par deux etapes :
1. Pour chaque valeur de > 0, trouver le minimum m() du probleme sous-contraint (17.19)
2. Trouver la valeur = ^ pour laquelle : G(m()) = .
Le minimum du probleme contraint est : m(^ ).
17.2.2.3 Le reglage du multiplicateur de Lagrange
Generalement cependant, on applique la theorie de la regularisation dieremment. On choi-
sit une fonctionnelle de penalisation G(h) correspondant a des connaissances a priori sur les
hypotheses souhaitables, et compatible avec les techniques ecaces d'optimisation. On cherche
alors une hypothese h minimisant:
RP en (h) = REmp (h) + G(h) (17.20)
agit comme un parametre de contrôle permettant de regler le compromis entre la delite
aux donnees d'apprentissage mesuree par le premier terme de l'equation, et la regularite de la
solution h mesuree par le second terme. Cela denit un nouveau principe inductif : choisir une
hypothese h minimisant le risque penalise.
Normalement, tant la fonctionnelle de penalisation G que le parametre devraient traduire
des connaissances a priori, c'est-a-dire externes aux donnees d'apprentissage. Cependant, en
general, il est dicile d'avoir susamment d'information a priori sur la bonne classe d'hy-
potheses, et l'on ajuste donc egalement en partie le terme de penalisation, ce qui permet de
corriger une mauvaise estimation a priori mais constitue aussi une erreur en terme d'induction.
On risque en eet a nouveau un phenomene de surapprentissage. Le plus souvent, la fonc-
tionnelle G est choisie a priori, tandis que le parametre est ajuste en fonction des donnees
d'apprentissage.
Une procedure classique consiste a selectionner plusieurs classes d'hypotheses (ou plusieurs
valeurs du parametre de contrôle ) et a realiser l'apprentissage dans chacune des classes. On
selectionne alors la classe (ou la valeur de ) qui minimise le risque mesure sur l'echantillon
de test. Il faut cependant être conscient que le risque mesure sur l'echantillon de test est
necessairement optimiste, puisque cet echantillon est juge et partie, ayant servi a la fois a estimer
les performances des classes de modeles et a en selectionner une. Pour avoir une estimation non
biaisee du risque reel, il faut donc avoir recours a un echantillon de donnees n'ayant servi ni a
l'apprentissage, ni au test. Ce troisieme type d'echantillon est appele echantillon de validation.
17.2.2.4 Applications de la methode de regularisation

Le principe de regularisation a ete employe pour justier, souvent a posteriori, des methodes
visant a contrôler l'application du principe de minimisation du risque empirique dont la tendance
au surapprentissage etait connue des praticiens. Nous evoquons rapidement ici certaines de ces
methodes renvoyant le lecteur a des ouvrages specialises pour plus de details (par exemple
[Bis95]).
Penalisation des poids dans un reseau connexionniste (weight decay). Cette methode consiste
a penaliser les reseaux connexionnistes dont les poids des connexions sont eleves. Il faut en
eet des poids importants pour qu'un reseau puisse presenter une forte dynamique apte
a s'adapter a n'importe quel echantillon de donnees. Le terme de regularisation est de la
forme :
X
wj2
connexions j
Regle d'arrêt avant terme (early stopping rule). Cette methode est appropriee dans le
cadre de l'apprentissage par optimisation iterative du risque telle qu'elle s'eectue dans
les reseaux connexionnistes, et en particulier les perceptrons multicouche. Elle consiste a
stopper le processus d'optimisation avant qu'il y ait convergence vers l'optimum local. La
justication invoquee est que le nombre eectif de degres de liberte du reseau s'accro^trait
au fur et a mesure de l'apprentissage. En le stoppant avant terme, on eviterait l'obtention
d'un modele trop complexe.
Apprentissage avec bruit. Son principe est de bruiter les donnees d'apprentissage durant
l'apprentissage (eventuellement en les bruitant dieremment a chaque passe). Intuitive-
ment, il s'agit de rendre plus dicile l'obtention d'un modele susamment complexe
pour s'accorder aux donnees d'apprentissage. On espere ainsi que l'apprentissage resultera
dans un modele rendant compte des regularites profondes plutôt que des details. [Bis95]
(pp.346-349) montre que l'on peut eectivement exhiber une procedure de regularisation
equivalente, ce qui justie l'approche.
17.2.3 La theorie de l'estimation bayesienne

On va supposer ici que la fonction de densite de probabilite p(xj!) depend d'un ensemble
de parametres que nous noterons = (1 ; : : : ; L )>. Dans le cas d'un probleme de classica-
tion, nous aurons une fonction par classe an de representer p(xj!k ) pour chaque classe !k ,
ou plus precisement, dans l'approche parametrique, p(xjk ). Soit un echantillon de donnees
S k = fx1 ; : : : ; xmk g de taille mk relatif a une classe !k . En supposant que ces donnees soient
tirees independamment les unes des autres suivant la loi de distribution p(xj k ), alors la densite
de probabilite jointe de l'echantillon total sera :
Y
mk
p(S k j k) = p(xi jk ) L(k ) (17.21)
i=1
ou L(k ) est appelee la vraisemblance du vecteur de parametres k pour l'echantillon S k donne.
La methode du maximum de vraisemblance consiste a prendre pour valeur du vecteur de
parametres inconnus k celle qui maximise la vraisemblance que les donnees aient ete produites
a partir de la distribution p(xjk ).
^ k = ArgMax L(k ) (17.22)
k 2
Cette methode consiste donc a identier l'hypothese (ici une classe) apparemment la meilleure,
c'est-a-dire la plus vraisemblable apres observation des donnees, puis a l'utiliser pour faire des
predictions sur des formes d'entrees non vues.
On peut cependant chercher a resoudre directement le probleme de la prediction de la valeur
yi correspondant a l'observation xi, sans passer par le calcul prealable de l'hypothese la plus
vraisemblable. Pour cela, il existe une approche conceptuellement tres interessante et idealement
optimale, même si elle est dicile a mettre en pratique et necessite de fait de nombreuses
approximations.
L'idee essentielle est la suivante. Au lieu de chercher la valeur optimale du vecteur de pa-
rametres , en maximisant la fonction de vraisemblance obtenue a partir des donnees, comme
dans la methode du maximum de vraisemblance, on decrit les parametres comme des distribu-
tions de probabilites. Celles-ci sont initialement xees sous forme d'une distribution a priori, puis
transformees en distribution a posteriori, par l'utilisation du theoreme de Bayes mis en oeuvre

grâce aux donnees d'apprentissage. Au lieu donc de chercher une valeur specique de , nous
cherchons ici a trouver la distribution de valeurs s'adaptant le mieux aux donnees. La prediction
pour l'evenement x se fait alors par ponderation des valeurs predites pour chaque valeur de
ponderee par la probabilite a posteriori de cette valeur. Nous renvoyons au chapitre 14 pour les
details de la mise en uvre.
Cette idee de vote, pondere ou non, d'hypotheses se retrouve dans d'autres contextes : par
exemple le boosting, la generalisation empilee, les methodes d'ensemble, etc.
Ainsi l'approche de la prediction bayesienne calcule une moyenne ponderee sur toutes les
valeurs de au lieu de choisir une valeur specique. Cependant si la densite a posteriori p(jS )
presente un pic etroit centre sur une valeur ^ , alors p(jS ) p(hj^ ), et nous retrouvons le
resultat donne par la methode du maximum de vraisemblance. Cela arrive generalement pour
les echantillons d'apprentissage de grande taille.
Bien que cela ne soit pas le sujet de ce chapitre, il est utile de noter que le principe du
maximum de vraisemblance et l'apprentissage bayesien ne se prêtent pas aux mêmes methodes
de calcul. Le premier se traite comme un probleme d'optimisation : il faut chercher le minimum
d'une fonction d'erreur. En revanche, dans le second, l'essentiel du calcul implique une integration
sur des espaces de grandes dimensions. Dans ce dernier cas, les methodes classiques d'integration
ne conviennent pas, et il faut se tourner vers des methodes approchees, par exemple les methodes
de Monte-Carlo (voir le chapitre 3).
17.3 L'induction par compression d'information

Un principe inductif intuitif consiste a preferer parmi les hypotheses capables d'expliquer
les donnees d'apprentissage celle qui est la plus simple, c'est-a-dire dont l'expression est la plus
economique. Cela correspond au principe du rasoir d'Occam (voir la page 118). Il repose sur deux
idees fondamentales. La premiere selon laquelle apprendre quelque chose a partir de donnees si-
gnie identier des regularites sous-jacentes. La seconde que l'identication de regularites permet
de comprimer l'expression des donnees. On en conclut donc que plus il est possible de comprimer
l'expression de donnees (sans perdre d'information), mieux on conna^t ces donnees. Une troisieme
idee releve de l'induction, a savoir que lorsque l'on sait quelque chose a propos d'un echantillon
de donnees, il est possible d'utiliser cette connaissance pour predire de futures donnees. Ainsi,
la compression et la prediction, c'est-a-dire l'induction, semblent intrinsequement liees.
17.3.1 Un exemple
Supposons que nous etudiions un phenomene caracterise par des sequences d'observations : 0
avec une etiquette `+' ou `-' fournie par un oracle. Nous decidons d'en rendre compte a l'aide d'un
automate deterministe a etats nis (DFA : Deterministic Finite state Automaton). La simplicite
(ou plutôt sa complexite) d'un automate sera mesuree par son nombre d'etats.
Les sequences suivantes sont positives, ce qui correspond au fait qu'elles sont reconnues par
l'automate recherche : 0, 000, 00010, 000000000 ; les sequences suivantes sont negatives, donc
rejetees par l'automate : , 00, 0000, 000000.
0 0 0 0 0 0 0 0 0
s
(a) 0
(b) 0
Fig. 17.8 { En (a) l'automate trivialement coherent avec les donnees. En (b) l'automate le plus
simple coherent avec les donnees.
Il existe une innite d'automates coherents avec ces sequences. La gure 17.8(a) montre
l'automate trivial qui code simplement ces sequences. La gure 17.8(b) montre l'automate le
plus simple permettant de rendre compte de ces donnees. Lequel des deux devont nous preferer
pour predire l'etiquette de nouvelles sequences d'observations? Notre intuition nous soue que
le second est meilleur. Avons-nous raison?
17.3.2 La theorie de l'induction selon Solomono

Dans un papier visionnaire, Solomono en 1964 [Sol64] a propose une formalisation du
probleme de l'induction. Selon lui, tout probleme d'inference inductive peut être considere
comme un probleme d'extrapolation d'une sequence de symboles binaires. Soit l'espace S des
sequences innies de symboles binaires, et une distribution a priori sur S , avec (x) denotant
la probabilite d'une sequence commencant avec x. Alors, etant donnee une sequence observee
x, le probleme inductif est de predire le prochain symbole dans la sequence. Cela peut se faire
soit par prediction directe du prochain symbole, soit par identication d'une regle sous-jacente
a la sequence permettant de predire le prochain symbole. On peut exprimer la probabilite que
la sequence x se poursuive par le symbole a sachant que la sequence initiale est x par :
(ajx) = ((xxa)) (17.23)
La tâche centrale de l'inference inductive est alors de trouver une approximation de per-
mettant d'estimer la probabilite conditionnelle qu'un segment x soit suivi d'un segment y. Ceci
est dans le cas general impossible. Il faut donc trouver des moyens d'approcher de maniere
raisonnable.
17.3.3 La complexite de Kolmogorov
La complexite algorithmique, souvent appelee complexite de Kolmogorov du nom de l'un de
ses inventeurs, cherche a mesurer la complexite intrinseque d'une cha^ne de bits.
Denition 17.2 (Complexite algorithmique)
La complexite algorithmique d'une cha^ne de bits x est denie comme la longueur (mesuree
en bits) du plus court programme qui, sans donnees supplementaires, permet a une machine de
Turing universelle U d'ecrire la cha^ne x et de s'arrêter.
Formellement, cela s'ecrit :
K (x) = Min[U (p) = x]
l(p)
(17.24)
ou l(p) est la longueur, mesuree en bits, du programme p.

La complexite algorithmique est une mesure de l'incompressibilite de x. Considerons par
exemple une cha^ne x constituee uniquement de n 1. Cette cha^ne est intuitivement tres simple.
Et de fait, il est facile d'ecrire un programme pour la produire. Ce programme est essentiellement
une boucle qui sera executee n fois. Le programme est donc de longueur proportionnelle a
log2 n soit en O(log2 n). Nous noterons cette complexite de Kolmogorov par K (x) = log2 n. Un
autre exemple est celui de l'expression du nombre transcendantal , dont la sequence binaire :
11:001001000011111101101010001::: apparemment aleatoire est en fait simple : la taille du plus
petit programme capable de produire cette sequence est petite et constante, independante du
nombre de bits produits. On a donc K () = 1. En revanche, une sequence reellement aleatoire
ne peut pas être produite par un programme plus court que la sequence elle-même. Dans ce cas,
on a donc : K (x) = jxj.
Sans faire justice de toutes les implications et subtilites de la theorie de la complexite algo-
rithmique (nous renvoyons pour cela le lecteur a la (( somme )) de Li et Vitanyi [LV97]), il sut
pour nous de savoir qu'elle est liee profondement a une mesure de probabilite universelle. En
eet, on peut associer a chaque programme p, c'est-a-dire cha^ne de bits, sa probabilite de pro-
duction par un tirage aleatoire de bits avec probabilite 1/2. Cette probabilite est : Pr(p) = 2;l(p) ,
ou l(p) est la longueur de la cha^ne de bits correspondant a p. Cela signie qu'un programme
court est plus probable qu'un programme long. Si un programme court produit une sequence
longue, celle-ci ne peut être aleatoire puisqu'elle a une description simple. On est ainsi amene a
denir la probabilite universelle d'une cha^ne x par :
X ;l(p)
PU (x) = 2 (17.25)
p: U (p)=x
C'est la probabilite qu'un programme p tire aleatoirement suivant une distribution de probabilite
1/2 produise la suite x par la machine de Turing universelle U . Cette probabilite, sans être
exactement independante de la machine employee, en depend relativement peu. Par ailleurs, il
est clair que cette probabilite est dominee par la probabilite 2;K (x) du plus court programme
pouvant produire la sequence x. Maleureusement, la taille K (x) de ce plus court programme
est non calculable eectivement. En eet, le seul moyen de trouver ce plus court programme
serait d'essayer tous les programmes possibles, or l'execution de certains d'entre eux risque de
ne jamais se terminer. Il semble ainsi que nous soyons ramenes au probleme precedent : nous ne
pouvions denir une mesure de probabilite universelle , et nous ne pouvons pas plus denir
la complexite algorithmique d'une cha^ne de bits qui aurait pu nous permettre de calculer .
Cependant, ce lien tres profond entre mesure de probabilite et complexite algorithmique a fourni
le terreau sur lequel ont ete developpes plusieurs procedes inductifs de nature plus heuristique.
17.3.4 Le principe de longueur de description minimale (MDLP )

Le principe de longueur minimale de description, (Minimum Description Length principle ou
MDLP), peut s'expliquer par une analogie avec la theorie de l'information et la transmission de
message entre un emetteur et un recepteur.
Supposons qu'un agent, appele emetteur, veuille transmettre des donnees a un autre agent,
appele recepteur, de la maniere la plus economique, c'est-a-dire en limitant autant que possible
le nombre de bits transmis sur le canal qui les relie (une ligne telephonique par exemple).
Intuitivement, une maniere de faire consisterait a d'abord transmettre une description generale
des donnees (e.g. (( je viens de voir passer deux oiseaux style corbeau ))) puis a transmettre ce qui
dans les donnees ne correspond pas au modele, c'est-a-dire les exceptions (e.g. (( sauf que l'un
avait le bec jaune et l'autre le bout des ailes rouges ))). Il existe bien sûr un compromis entre la
complexite du modele transmis et ce qu'il faut indiquer comme exception. Si le modele transmis
est tres general (em e.g. (( j'ai vu des objets volants ))), il faudra founir beaucoup d'informations
pour decrire exactement les donnees a partir de ce modele. Inversement, si le modele est tres
precis (e.g. (( j'ai vu un oiseau noir, de la taille d'un corbeau environ, de plumage noir avec
le bec jaune, et un autre oiseau : : : ))), il sera coûteux a transmettre, ne factorisant pas les
generalites presentes dans les donnees. Le meilleur compromis consiste a trouver un modele tel
que la somme de sa description, et celle des irregularites par rapport a ce modele, soit la plus
economique possible. C'est l'essence du principe de longueur de description minimale.
Denition 17.3 (Principe de longueur minimale de description (MDLP))
La meilleure theorie, ou hypothese, ou le meilleur modele, rendant compte d'un echantillon
d'apprentissage minimise la somme de :
1. la longeur, mesuree en bits, de la description de la theorie; et de
2. la longeur, mesuree en bits, de la description des donnees lorsqu'elles sont decrites a l'aide
de la theorie.
Formellement, cela signie que l'hypothese optimale h? verie :
h? = ArgMin L(h) + L(xjh) (17.26)
h2H
ou L(h) mesure la longueur de description de h, et L(xjh) mesure la longueur de description
des donnees x en utilisant l'hypothese h pour les coder.
Avec ce principe, on retrouve l'idee essentielle des principes inductifs contrôlant la com-
plexite des hypotheses, a savoir qu'il faut faire place a un compromis entre la complexite de
l'espace d'hypotheses mis en uvre pour rendre compte des donnees et la delite aux donnees
elles-mêmes. Un modele des donnees trop precis peut ne pas avoir de bonnes performances en
generalisation, de même qu'un modele trop general.
Il est facile de voir que le principe de longueur minimale de description est lie a la regle de
Bayes. En eet, d'apres cette regle :
Pr(hjx) = Pr(xPr
jh) Pr(h)
(x)
Soit, en prenant l'oppose du logarithme de chaque côte de l'equation :
; log Pr(hjx) = ; log Pr(xjh) ; log Pr(h) + log Pr(x)
En tenant compte du fait que le facteur Pr(x) est independant de l'hypothese mise en uvre pour
rendre compte des donnees, maximiser Pr(hjx), comme le preconise le principe du maximum
de vraisemblance, revient a minimiser le terme de droite de l'equation precedente, soit :
; log Pr(xjh) ; log Pr(h)
.
Idealement, la mesure de probabilite a utiliser serait la mesure universelle et donc celle de
la complexite algorithmique K . C'est-a-dire qu'il faudrait prendre Pr(y) comme etant egal a
2;K (y) pour une sequence arbitraire y . On choisirait alors l'hypothese h minimisant :
K (xjh) + K (h)
A defaut de pouvoir utiliser la mesure de probabilite ou la mesure de complexite algorith-

mique K , le principe de longueur minimale de description preconise de denir un (( codebook ))
raisonable permettant la description de l'univers considere, puis de coder les hypotheses et les
donnees a l'aide de ce codebook. La mesure de complexite, ou de longueur de description, se fait
alors en reference au code ainsi deni, chaque element de ce code etant associe a un coût xe
par l'utilisateur. On retrouve alors l'equation (17.26) relative au MDLP.
Exemple 16 (Regression par des polynômes)
On suppose que l'on a un echantillon de donnees S = f(x1 ; u1 ); (x2 ; u2 ); : : : ; (xm ; um )g, dans
lequel les formes xi et les etiquettes ui sont des nombres reels. On cherche a pouvoir predire la
valeur u pour une forme x donnee. Pour cela, on fait l'hypothese que l'on peut rendre compte des
donnees avec un polynôme. En general, plus le degre du polynôme est eleve, plus l'adequation aux
donnees est etroite (au sens par exemple des moindres carres). A la limite, pour tout ensemble de
m points (xi ; ui), il est possible de trouver un polynôme de degre m ; 1 passant exactement par
les m points. Mais ce polynôme n'aura en general aucun pouvoir predictif (le lecteur peut s'en
convaincre aisement en essayant de predire les cours de la bourse de cette maniere). Supposons
que l'on cherche une hypothese sous la forme d'un polynôme pk de degre k. Pour decrire un tel
polynôme, il faut k +1 coecients que nous supposerons decrits avec une precision de d bits. Une
hypothese, c'est-a-dire un polynôme, sera alors decrite par : k d + O(log k d) bits. (Le deuxieme
terme de la somme provient de considerations techniques sur le fait que le programme a fournir
a la machine de Turing doit être autodelimitant.)
Il faut maintenant examiner le coût de description des donnees (xi ; ui ) a l'aide d'un polynôme.
En general, on fait comme si le polynôme correspondait au vrai modele sous-jacent aux donnees
et que celles-ci etaient distribuees suivant une loi gaussienne autour de la valeur predite par le
polynôme : ui = pk (xi ) + " avec " une variable centree en pk (x) et de variance constante. Dans
ce cas la probabilite d'observer la valeur ui au lieu de pk (xi ) est de l'ordre de e;(pk (xi ) ; ui )2 . A
l'aide la mesure de probabilite universelle, cette grandeur est codee a l'aide de s(pk (xi ) ; ui )2
bits, ou s est une constante de normalisation.
Comme l'erreur commise par l'hypothese pk au sens des moindres carres est :
X
erreur(pk ) = (pk (xi ) ; ui )2
i=1;m
on trouve, en negligeant le terme O(log k d) que le coût d'expression des donnees S a l'aide du
polynôme pk est de :
k d + s erreur(pk )
.
La meilleure hypothese est, selon le principe de minimisation de longueur de description
(MDLP), le polynome (pk qui minimise cette expression. 2
Le principe MDLP a ete applique dans de nombreux autres contextes. Nous citerons par
exemple le choix d'arbres de decision (voir chapitre 11) pour lequel Quinlan et Rivest ([QR89])
ont propose une mesure de coût des arbres prenant en compte les nuds de l'arbre et les bran-
chements possibles, ainsi que les exceptions. Dans un contexte dierent de celui de l'induction,
[Cor96] propose d'utiliser une version du MDLP pour rendre compte du raisonnement par ana-
logie, considere comme une forme de transmission economique d'information. Si le MDLP a
permis d'obtenir des resultats dans plusieurs applications, il n'en reste pas moins une tech-
nique largement empirique, dans laquelle on a remplace la necessite de fournir des probabilites
a priori, comme dans l'approche bayesienne, par celle de concevoir un codebook avec ses coûts
associes. Pour le moment on ne conna^t pas de technique fondee rigoureusement pour resoudre
ce probleme. Par ailleurs, la recherche d'une description la plus courte est connue comme etant
un probleme NP-complet dans de nombreux formalismes. Il est donc necessaire d'avoir recours
a des techniques heuristiques de recherche d'hypotheses.
17.3.5 Analyse : compression et pouvoir inductif
Si intuitivement il semble satisfaisant de penser qu'un modele (( simple )) des donnees est plus
susceptible qu'un modele complexe de decrire les regularites sous-jacentes, et donc de permettre
des predictions, cela ne sut pas a garantir le lien entre compression des informations et pouvoir
inductif. Sans entrer dans les details de ce lien ici, nous mentionnerons deux etudes se rapportant
a cette question.
17.3.5.1 Un theoreme de Vapnik
Dans son livre de 1995 [Vap95] en pp.102-105, Vapnik donne une preuve justiant le principe
de longueur minimale de description pour la tâche de classication. Il montre que le coecient
de compression obtenue, c'est-a-dire le rapport r(h) entre la taille de description comprimee des
donnees et la taille de leur description brute, est lie a la probabilite d'erreur de classication sur
des donnees futures. La preuve, sans être dicile, depasse le cadre du present ouvrage, et nous
n'en donnons que le resultat. Elle repose sur un argument de convergence uniforme applique au
codebook utilisable pour decrire l'espace des fonctions de classication.
Theoreme 17.5 (MDLP et probabilite d'erreur en classication (Vapnik,95))
Si, en utilisant un codebook structure, on trouve une hypothese h permettant de comprimer l'ex-
pression de la cha^ne de bits u1 ; u2 ; : : : ; um des etiquettes des formes d'apprentissage x1 ; x2 ; : : : ; xm
d'un facteur R(h), alors, avec probabilite au moins 1 ; , la probabilite d'erreur de classication
par l'hypothese h est bornee par :
;
RReel(h) < 2 r(h) ln 2 ; lnm

Ce theoreme est interessant dans la mesure ou, par contraste avec les theoremes de pertinence
de l'ERM, il ne fait pas intervenir directement de proprietes statistiques des donnees, ni de risque
empirique (nombre d'erreurs de classication en apprentissage). Malheureusement, ce theoreme
ne dit pas comment construire un bon codebook. Nous en verrons une raison en analysant le
No-Free-Lunch theorem (17.4.1).
17.3.5.2 Les algorithmes d'Occam en apprentissage PAC
Le lien entre compression d'information et generalisation a ete egalement etudie dans le cadre
de l'apprentissage de fonctions indicatrices, c'est-a-dire de concepts. Dans ce cadre, en supposant
que les exemples x soient denis sur f0; 1gd ou sur IRd , que l'echantillon d'apprentissage S com-
porte m exemples etiquetes suivant une fonction cible f : ((x1 ; f (x1 )), (x2 ; f (x2 )); : : : ; (xm ; f (xm )),
alors un algorithme d'Occam est un algorithme qui, prenant S en entree, produit une hypothese
h 2 H coherente avec S et qui est succincte au sens ou taille(h) est une fonction croissant
susamment lentement en fonction de d, taille(f ) et m. Plus precisement :
Denition 17.4 (Algorithme d'Occam)
Soient deux constantes 0 et 0 < 1. On dit qu'un algorithme d'apprentissage est un
algorithme d'Occam si, a partir d'un echantillon d'apprentissage etiquete par un concept cible
f , il produit une hypothese h veriant :
1. h est coherente avec S
2. taille(h) (d taille(f )) m
Il est clair que si m d, alors les m bits correspondants aux etiquettes de x1 ; x2 ; : : : ; xm
sont eectivement comprimes en une cha^ne d'au plus m bits. Sinon, il faut bien exprimer que
l'hypothese la plus courte peut dependre au moins lineairement de taille(f ).
Il existe alors un theoreme prouvant qu'un tel algorithme, si on lui fournit un echantillon de
taille 1 1 (d taille(f )) 1;1
m a log +
ou a est une constante > 0, produit une hypothese h de probabilite d'erreur de classication en
generalisation avec une probabilite 1 ; ou 1.
Un lien est donc etabli la aussi entre compression et induction, même si la portee de ce
theoreme est limitee par le fait qu'il ne s'applique que pour des espaces d'hypotheses H de
cardinal ni. (Pour plus de details, se reporter par exemple a [KV94]).
17.3.5.3 Pour conclure
Doit-on conclure des resultats qui precedent qu'il faut toujours mieux choisir une hypothese
succincte pour rendre compte de donnees ? Nous allons voir dans la section suivante que la
reponse est non. Plusieurs etudes se voulant provocatrices ont d'ailleurs montre que le choix
d'une hypothese succincte pouvait se reveler moins bon que celui d'une hypothese aussi bonne
sur les donnees d'apprentissage, mais plus complexe. De fait, la preference pour la simplicite des
hypotheses s'assimile a un biais a priori, qui peut, ou non, être approprie. Pourquoi alors est-ce
un biais naturel chez les êtres humains et que l'on trouve souvent satisfaisant?
La reponse a cette question comporte au moins deux volets. Le premier est qu'a côte du
pouvoir predictif d'une hypothese ou d'une theorie, nous recherchons souvent son caractere
explicatif et donc comprehensible. Une hypothese s'accordant parfaitement aux donnees, mais
compliquee, est souvent moins satisfaisante qu'une hypothese moins parfaite mais intelligible.
A partir du moment ou l'on parle d'intelligibilite, il faudrait aussi faire intervenir le reste des
connaissances prealables dans lesquelles s'inscrit la nouvelle connaissance apprise. Les theoremes
de compression ne disent evidemment rien sur cet aspect des choses.
Le deuxieme volet nous ramene au sens profond des theoremes de pertinence du principe
ERM. Pourquoi en eet une hypothese simple serait meilleure en prediction qu'une hypothese
plus complexe s'accordant aussi bien aux donnees? Rien dans les theoremes de Vapnik ne permet
de l'expliquer. Rien, sauf ceci. Que la classe des hypotheses simples a exprimer dans un langage,
dans tous langage, est forcement restreinte, quel que soit le langage utilise. Si donc l'on trouve
une hypothese (( simple )) qui s'accorde bien aux donnees d'apprentissage, c'est que, dans un
espace H limite, on a trouve une bonne hypothese au sens du risque empirique. Les theoremes
de Vapnik, qui prennent en compte la richesse de l'espace des hypotheses, arment alors que
la probabilite est grande que cette hypothese se comporte bien a l'avenir. La simplicite d'une
hypothese est relative au langage utilise pour l'exprimer, mais ce qui compte vraiment c'est la
richesse de la classe des hypotheses a laquelle est appartient. Si par chance on trouve une bonne
hypothese dans une classe restreinte, alors l'espoir est grand qu'elle soit bonne en general. C'est
ce que Judea Pearl avait deja remarque dans un article de 1978 [Pea78] injustement oublie et
qui preemptait bien des travaux ulterieurs sur ce sujet.
17.4 L'induction en debat

Ce chapitre a discute plusieurs principes inductifs et leurs variations nees de l'etude des
conditions de leur validite. Ainsi, ont ete passes en revue le principe ERM favorisant les hy-
potheses qui s'accordent le mieux aux donnees d'aprentissage, le principe bayesien stipulant
(dans sa version maximum de vraisemblance) de choisir l'hypothese dont il est le plus probable
qu'elle soit a l'origine des donnees, le principe de compression d'information prescrivant de choi-
sir le modele du monde conduisant a sa description la plus compacte. Le chapitre 14 a egalement
etudie un principe inductif classique qui est celui de predire la reponse en un point en prenant
la reponse majoritaire en des points proches. Nous avons egalement vu que l'etude theorique de
ces principes avait conduit a des principes inductifs plus sophistiques dans lesquels la richesse de
l'espace d'hypotheses est prise en compte. Les recherches recentes, portant en particulier sur les
separateurs a vastes marges (SVM) ranent ces principes en prescrivant de prendre en compte
aussi la distribution des exemples. Une question naturelle est alors de se demander lequel de
ces principes inductifs est le meilleur ; lequel nous devrions choisir. Bien entendu, ces principes
et leurs realisations sous forme d'algorithmes, peuvent presenter des caracteristiques computa-
tionnelles dierentes, par exemple des coûts computationnels polynomiaux pour certains, expo-
nentiels pour d'autres, ou bien peuvent conduire a des resultats plus ou moins intelligibles, etc.
Tous ces facteurs sont importants en pratique, mais si, provisoirement, on ne s'interesse qu'a
la performance en generalisation, l'esperance de risque, quel principe inductif est le meilleur?
Devons-nous par exemple favoriser les methodes de minimisation du risque structurel (SRM) de
Vapnik, ou bien devons-nous chercher les hypotheses les plus economiques? En bref, existe-t-il
un principe qui soit meilleur que les autres en general, independamment du probleme etudie ?
17.4.1 Le no-free-lunch theorem : toutes les methodes se valent !?
Le chapitre 1 a deja apporte des elements de reponse a cette question en insistant sur
la necessite d'un biais d'apprentissage pour permettre l'induction, c'est-a-dire d'hypotheses a
priori sur le monde. Un theoreme formalise et generalise cette idee : le no-free-lunch theorem dû
a Wolpert (1992) [Wol92]. Selon ce theoreme, tous les principes inductifs, et tous les algorithmes
d'apprentissage se valent. En l'absence de toute information sur le probleme d'apprentissage
autre que l'echantillon de donnees, aucune methode n'est meilleure qu'une autre, y compris celle
qui consiste a tirer une hypothese au hasard. Exprime d'une autre maniere, ce theoreme arme
qu'il n'y a a priori aucune correlation entre l'echantillon de donnees S observe et les evenements
non encore observes. De ce fait, toute hypothese selectionnee sur la base de S n'a aucune raison
d'être performante a l'avenir en dehors de S . De maniere plus abrupte, en dehors d'information
supplementaire sur le probleme d'apprentissage, c'est-a-dire sur l'espace des fonctions cible, il
n'est pas possible de faire autre chose que de l'apprentissage par cur ! Aucune induction n'est
possible, ou, du moins, legitime.
Avant d'examiner une expression plus formelle de ce theoreme, essayons d'en saisir l'intui-
tion. Soit l'espace F des fonctions cible. Soit X l'espace des entrees, et soit U l'espace des sorties.
On suppose qu'un echantillon de formes x1 ; x2 ; : : : ; xm soit tire aleatoirement suivant une dis-
tribution dX inconnue sur X . Chacune de ces formes est etiquetee pour former l'echantillon
S = f(x1 ; u1 ); (x2; u2 ); : : : ; (xm; um)g. On suppose ici que cet echantillon n'est pas bruite. Les
etiquettes ui ont donc ete calculees grâce a l'application d'une fonction f 2 F . Le probleme de
l'induction est d'estimer laquelle sur la base de l'echantillon S .
En l'absence d'informations supplementaires sur F , toutes les fonctions f 2 F sont egalement
possibles. Une fois xe l'echantillon d'apprentissage, un certain nombre de ces fonctions sont
eliminees car ne s'accordant pas aux donnees, mais toutes les autres fonctions restent candidates,
et aucune prediction n'est possible. C'est ce que nous avons vu dans le cas de fonctions binaires
dans le chapitre 1. C'est egalement ce que montre la gure 17.7.
Si donc l'unique information dont nous disposons pour une tâche inductive est un echantillon
d'apprentissage, alors seul un apprentissage par cur de cet echantillon est possible, et aucune
induction ne peut être faite avec quelque garantie que ce soit. En d'autres termes, et exprime
de maniere peut-être plus brutale, il n'existe aucune correlation a priori entre un echantillon
d'apprentissage et les evenements non vus. Plus formellement, notons p(hjS ) la distribution des
hypotheses dans H apres la prise en compte de l'echantillon S , c'est-a-dire apres apprentissage.
Si l'algorithme d'apprentissage est deterministe, fournissant une seule hypothese, et toujours
la même, pour un echantillon S donne, alors la distribution prend la forme d'un Dirac centre
sur l'hypothese choisie h. Si au contraire il s'agit d'un algorithme non deterministe, p(hjS )
peut avoir une certaine extension. De la même maniere, nous notons p(f jS ) la distribution de
probabilite des fonctions de la Nature f etant donne l'echantillon d'apprentissage. L'expression
de l'esperance de l'(( ecart )) entre le resultat de l'apprentissage et la Nature est alors :
Z Z
E [RReel jS ] = p(x) [1 ; (f (x); h(x)] p(hjS ) p(f jS ) (17.27)
h;f x62S
ou le symbole de Kronecker denote la fonction nulle partout sauf la ou ses arguments sont
egaux, ou elle vaut 1. Nous noterons ici que la somme ne fait intervenir que les formes x non vues
en apprentissage, ce qui est dierent de l'esperance de risque i.i.d. dans laquelle le tirage aleatoire
des formes peut permettre le tirage de la même forme en apprentissage et en reconnaissance.
Les deux expressions sont equivalentes dans le cas ou l'echantillon S est de mesure nulle sur
l'espace des entrees possibles X . L'equation 17.27 exprime que l'esperance de risque reel etant
donne un echantillon d'apprentissage S est liee a la somme de toutes les entrees possibles x
ponderees par leur probabilite p(x), et a un (( alignement )) entre l'algorithme d'apprentissage
caracterise par p(hjS ) et la vraie probabilite a posteriori de la Nature p(f jS ). De ce fait, en
l'absence d'information a priori sur la distribution p(f jS ), il est impossible de dire quoi que ce
soit sur la performance en generalisation de l'algorithme d'apprentissage.
Si l'armation precedente n'a pas su a plonger le lecteur dans la consternation, le corol-
laire 5 suivant devrait achever de le faire. Nous noterons :
Z
Ek [RReel jf; m] = p(x) [1 ; (f (x); h(x)] pk (h(x)jS )
x62S
5. Du latin corollarium (( petite couronne donnee comme gratication )).
l'esperance de risque associee a l'algorithme d'apprentissage Ak etant donne l'echantillon d'ap-

prentissage S , et la vraie fonction de la Nature f .
Theoreme 17.6 (No-free-lunch theorem (Wolpert, 1992))
Pour tout couple d'algorithmes d'apprentissage A1 et A2 , caracterises par leur distribution de
probabilite a posteriori p1 (hjS ) et p2 (hjS ), et pour toute distribution dX des formes d'entrees x
et tout nombre m d'exemples d'apprentissage, les propositions suivantes sont vraies :
1. En moyenne uniforme sur toutes les fonctions cible f dans F : E1 [RReel jf; m] ; E2 [RReel jf; m] =
0.
2. Pour tout echantillon d'apprentissage S donne, en moyenne uniforme sur toutes les fonc-
tions cible f dans F : E1 [RReel jf; S ] ; E2 [RReel jf; S ] = 0.
3. En moyenne uniforme sur toutes les distributions possibles p(f ) : E1 [RReel jm] ; E2 [RReel jm] =
0.
4. Pour tout echantillon d'apprentissage S donne, en moyenne uniforme sur toutes les dis-
tributions possibles p(f ) : E1 [RReel jS ] ; E2 [RReel jS ] = 0.
Pour une preuve de ce theoreme, nous renvoyons le lecteur a [Wol92]. De maniere qualitative,
le premier point de ce theoreme exprime que quel que soit notre choix d'un (( bon )) algorithme
d'apprentissage et d'un (( mauvais )) algorithme (par exemple un algorithme predisant au hasard,
ou bien une fonction constante sur X ), si toutes les fonctions cible f sont egalement probables,
alors le (( bon )) algorithme aura la même performance en moyenne que le (( mauvais )). Cela
signie aussi qu'il existe au moins une fonction cible pour laquelle la prediction au hasard est
meilleure que n'importe quelle autre strategie de prediction.
Le deuxieme point du theoreme arme la même absence de superiorite d'un algorithme
d'apprentissage sur tout autre algorithme, même quand l'echantillon d'apprentissage est connu.
En d'autres termes, celui-ci n'apporte pas plus d'information a un algorithme plutôt qu'a un
autre, fût-il a nouveau l'algorithme de prediction au hasard. Les points trois et quatre ne font que
renforcer ces resultats en armant l'egalite de tous les algorithmes, si l'on prend en compte des
distributions non uniformes de fonctions cible, mais que l'on moyenne sur toutes ces distributions.
Bien sûr, pour une distribution donnee, un algorithme va être meilleur que les autres, a savoir
celui qui a la même distribution que p(f jS ). Mais comment le deviner a priori ?
Avant de discuter des lecons a tirer du no-free-lunch theorem, il est utile d'en illustrer la force
a nouveau sur un exemple. Nous avons la en eet une sorte de loi de conservation (comme le dit
Cullen Schaer [Sch94]). De même que pour chaque classe de problemes pour laquelle un algo-
rithme d'apprentissage est meilleur qu'un algorithme de prediction au hasard il existe une classe
de problemes pour laquelle cet algorithme est moins bon (voir gure 17.9). De même, pour chaque
algorithme d'apprentissage, il existe des problemes pour lesquels la courbe de performance en
generalisation est ascendante et des problemes pour lesquels cette courbe est descendante, c'est-
a-dire pour lesquels plus l'algorithme apprend et plus il est mauvais en generalisation !
Considerons l'algorithme de classication binaire majoritaire qui attribue a un nouveau point
l'etiquette de la classe la plus representee dans les exemples d'apprentissage de S . Intuitivement,
cet algorithme s'attend a ce que la classe la mieux representee sur l'echantillon d'apprentissage
soit de fait majoritaire. Est-ce que cet algorithme simple peut n'être qu'equivalent a un algo-
rithme tirant ses predictions au hasard? Sans en donner une preuve formelle, il est possible de
s'en convaincre intuitivement. En eet, dans les problemes pour lesquels une classe est nettement
majoritaire, on peut s'attendre a ce que dans la plupart des cas l'algorithme majoritaire detecte
correctement cette majorite dans l'echantillon d'apprentissage et soit de ce fait meilleur qu'une
prediction au hasard (de peformance 1/2) sur les formes x non vues. Qu'en est-il alors pour
-
- + - 0
0
0
Systèmes d'apprentissage -
+ - + 0
possibles
- -
-
-
+ - 0
- 0
- 0
0 0
0 0
+ 0
0 +
Systèmes d'apprentissage
impossibles
+ +
+ 0 + 0
0 0 0 0
Fig. 17.9 { Le no-free-lunch-theorem prouve que pour chaque region de l'espace des problemes
pour laquelle un algorithme d'apprentissage a une performance superieure au hasard
(indique ici par un (( + ))), il existe une region pour laquelle la performance est moins
bonne que le hasard (indique ici par un (( - ))). Un (( 0 )) indique ici la performance
d'un algorithme au hasard, donc la performance moyenne. Les trois gures du dessus
correspondent a des situations possibles pour un algorithme d'apprentissage, tandis
que les trois gures du dessous correspondent a des situations impossibles : celles d'un
algorithme qui serait intrinsequement superieur a un algorithme au hasard quand
on le considere sur l'ensemble des problemes possibles (d'apres [Sch94]).
les autres problemes, ceux pour lesquels il n'existe pas de majorite nette, et qui d'apres la loi
binomiale sont de tres loin les plus nombreux? Est-ce que l'agorithme majoritaire n'est pas sur
ceux-la equivalent a un algorithme au hasard, contredisant ainsi le no-free-lunch theorem ? Même
si les deux classes sont egalement representees sur X , les variations d'echantillonnage feront que
souvent l'une d'entre elles sera prevalente dans S , entra^nant une prediction dans ce sens par
l'algorithme majoritaire alors que, sur les exemples non vus, ce sera naturellement l'autre classe
qui sera (un peu) mieux representee. L'algorithme, sur ces problemes, fera donc (un peu) moins
bien que l'algorithme de prediction au hasard. En prenant en compte tous les cas possibles, la
performance globale de cet algorithme ne sera pas meilleure que celle de l'algorithme au hasard.
Un raisonnement similaire montre que la courbe de generalisation de l'algorithme majoritaire
peut être decroissante. Encore une fois, dans les cas ou une classe est clairement majoritaire,
l'algorithme majoritaire va avoir de plus en plus de chance de detecter correctement cette ma-
jorite avec des tailles d'echantillon croissantes (voir gure 17.10 (a)). Si en revanche les deux
classes sont egalement representees sur X , alors la courbe va être decroissante (voir gure 17.10
(b)). En eet, pour les petites tailles d'echantillon, la performance sera seulement legerement
inferieure a 1/2, puisque lorsque l'algorithme detectera une majorite dans son echantillon, ce
sera l'autre classe qui sera de fait mieux representee sur les exemples restants, mais de tres peu.
En revanche, plus l'echantillon d'apprentissage est important, plus le choix, forcement mauvais,
de l'algorithme entra^nera un mauvais taux de prediction sur les exemples restants. A la limite,
quand tous les exemples sauf un auront ete vus par l'algorithme d'apprentissage, la prediction
sur le dernier sera forcement mauvaise (la classe prevalente sur S etant la classe opposee a celle
de ce dernier), et la performance tombera a 0.
Quelles lecons tirer de ce theoreme? Faut-il jeter ce livre par terre et se maudire d'avoir
consacre deja tant de temps a etudier une science sans avenir? Le no-free-lunch theorem n'empêche
Performance en Performance en
généralisation généralisation
Taille de l'échantillon Taille de l'échantillon

d'apprentissage d'apprentissage
Fig. 17.10 { Le no-free-lunch theorem prouve que pour chaque region de l'espace des problemes
pour laquelle un algorithme d'apprentissage a une courbe en generalisation crois-
sante (a), il existe une region pour laquelle il existe une courbe en generalisation
decroissante, c'est-a-dire indiquant que plus l'algorithme apprend, moins il est per-
formant sur les formes non vues (b). (D'apres [Sch94].)
pas de travailler sur les problemes inductifs, il averti simplement que la prudence est de rigueur.
Plus precisement :
1. Un algorithme d'apprentissage est forcement biaise vers une certaine classe de problemes.
C'est toujours en fonction de certains a priori sur les problemes a resoudre qu'il faut
concevoir et utiliser un algorithme d'apprentissage.
2. Il n'est pas admissible de parler de la performance d'un algorithme sans preciser sur quelle
classe de problemes il a ete teste et pour quelle classe de problemes il a ete concu.
3. L'induction ne cree pas d'information. Elle ne fait que transformer une information a priori,
inscrite dans les biais de l'algorithme d'apprentissage, et qui est revelee par l'intermediaire
d'un echantillon d'apprentissage. Si l'information a priori est inadaptee a la situation
rencontree, le resultat sera egalement mauvais.
D'un certain côte, le no-free-lunch theorem est une nouvelle occasion de ne pas croire aux
miracles. Il existe d'ailleurs d'autres versions de ce theoreme pour des problemes importants
pour l'apprentissage :
1. Le theoreme du vilain petit canard [Wat85] dit qu'il n'existe pas a priori de meilleur en-
semble de descripteurs pour decrire des formes, et qu'en l'absence d'autres informations, il
n'existe pas de meilleure notion de similarite entre formes. Toute similarite est dependante
de biais qui peuvent, ou non, être corrects pour l'application etudiee.
2. Le no-free-lunch theorem pour les algorithmes d'optimisation [Wol97] dit qu'en moyenne
sur tous les problemes de recherche d'un extremum d'une fonction de coût, il n'existe pas
d'algorithme de recherche qui soit intrinsequement meilleur que tout autre algorithme de
recherche. Cela signie en particulier que les algorithmes de recherche par gradient, ou par
recuit simule ou par evolution simulee, tout aussi sophistiques soient-ils, sont susceptibles
d'être pires qu'une recherche au hasard sur certaines classes de problemes.
Rendu a ce point, le lecteur peut se detendre, commencer a accepter les implications de ces
theoremes de conservation et envisager la suite avec la serenite qui sied au sage. Pourtant...
Pourtant il ne serait pas deraisonable que certains se reveillent brutalement la nuit en proie a
des palpitations et des sueurs froides. Parce que nous les avons precedes dans cette epreuve,
nous allons partager ce moment d'inquietude, violent mais salutaire.
17.4.2 Le no-free-lunch theorem et l'analyse de Vapnik : une contradiction?
Le no-free-lunch theorem arme qu'on ne peut compter sur aucune correlation entre l'echan-
tillon d'apprentissage S et les exemples non vus. L'analyse de Vapnik exprime la correlation
entre le risque empirique, mesure sur S , et le risque reel. En gros, cette analyse dit que, pour
une certaine taille m de l'echantillon d'apprentissage, et pour une certaine richesse de l'espace
d'hypothese caracterisee par exemple par la dimension de Vapnik-Chervonenkis, on peut borner,
en probabilite, l'ecart entre le risque empirique mesure et le risque reel. D'un côte, donc, il n'y a
pas a priori de correlation entre le passe et le futur, de l'autre, on peut avoir une certaine garantie
que la performance passee soit representative de la performance future. Les deux theoremes sont
corrects. Ou est la faille?
Reexaminons le theoreme de Vapnik. Il nous dit qu'etant donnees une fonction cible f et une
hypothese h tiree d'un espace de fonctions de richesse limitee, il y a tres peu de chances, disons
moins de 5 %, que sur un echantillon de m points tires au hasard suivant dX , je ne me rende

pas compte que h est de fait eloignee de f (au sens du risque reel). D'apres cette interpretation,
il semble donc que si je trouve dans un espace d'hypotheses de richesse limitee une hypothese
de risque empirique faible, j'ai de bonnes garanties (par exemple superieures a 95 %) que le
risque reel soit du même ordre. Certes, il reste 5 % de chances que l'echantillon S n'ait pas ete
representatif, au sens ou il ne m'aurait pas permis de decouvrir la supercherie, c'est-a-dire que
h est de fait mauvaise, mais il semble que ce danger soit circonscrit, et le no-free-lunch theorem
une menace tout compte fait exageree. Pouvons-nous enn nous reposer sur notre mol oreiller
et dormir apaise ?
Reconsiderons tout cela une nouvelle fois. E tant donne un echantillon d'apprentissage S , il
existe tout un ensemble de fonctions de risque empirique faible sur cet echantillon. Par12exemple,
dans le cas de fonctions booleennes denies sur un espace a 12 descripteurs, il existe 22 = 24096
fonctions des 212 = 4096 formes d'entrees possibles. Supposons que nous ayons un echantillon
d'apprentissage donnant la reponse pour 1024 exemples, soit 1/4 de toutes les formes possibles,
il reste 2212 ;1024 = 23072 fonctions qui s'accordent aux donnees d'apprentissage, c'est-a-dire de
risque empirique nul. Supposons alors que nous ayions choisi a priori un espace d'hypotheses de
richesse susamment limitee pour que les bornes de Vapnik nous disent qu'il y a 95 % de chances
que si le risque empirique mesure sur un echantillon de taille 1024 est nul, alors le risque reel
est inferieur a ". Devons-nous alors penser que, si nous avons trouve dans cet espace limite une
hypothese de risque empirique nul, nous avons de grandes chances (superieure a 95 %) d'avoir
identie une bonne hypothese (de risque reel < ") ? Il est clair que non. Nous avons trouve
l'une des 23072 fonctions coherentes avec les donnees, et certes il etait peu probable a priori que
ce soit le cas dans notre espace limite d'hypotheses. Cependant la vaste majorite de ces 23072
fonctions a un risque reel > " si celui-ci est assez petit. Il est donc tres probable que nous soyons
tombes sur l'une de ces fonctions apparemment bonnes (sur l'echantillon d'apprentissage), mais
eectivement mauvaises (sur le reste des exemples). C'est la ou il faut bien comprendre la nature
des theoremes de Vapnik. Ils sont valables en prenant en compte tous les echantillons possibles
de taille m. Eectivement, par exemple 95 % des echantillons de taille 1024 permettraient de
detecter que l'hypothese choisie est mauvaise. Mais lorsque nous sommes face a un probleme
donne, nous avons aaire a un echantillon particulier S . Sur cette base seule, malheureusement,
nous ne pouvons avoir aucune certitude, ni même de garantie rassurante.
Nous ne pouvons pas echapper au no-free-lunch theorem. L'echantillon d'apprentissage seul
ne permet pas d'avoir la moindre garantie sur la performance de l'induction realisee, il faut avoir
d'autres informations sur le probleme etudie.
Pour resumer :
Sans biais, c'est-a-dire sans restriction sur l'espace d'hypotheses considere, l'induction est
impossible.
Si a cause de connaissances prealables ou par chance on dispose d'un bon biais, alors il y
a de fortes chances (mesurees par les theoremes de Vapnik par exemple) qu'une hypothese
bonne sur les donnees d'apprentissage, soit bonne en esperance (risque reel).
Si on ne dispose pas d'un biais adequat (mauvaises connaissances prealables) :
1. On a de fortes chances de s'en rendre compte sur l'echantillon d'apprentissage en ne
trouvant pas d'hypotheses de risque empirique faible.
2. Si on trouve une hypothese de risque empirique faible, on ne peut pas savoir que c'est
par erreur.
L'induction n'est vraiment pas faite pour les curs faibles ou les foies jaunes !
17.5 Discussion sur l'analyse classique. Variantes et perspectives

Voici donc le terme d'un ouvrage volumineux que beaucoup de specialistes trouveront trop
court, tant il y a de choses qui n'ont pas ete dites. La science de l'aprentissage articiel a en
eet ete fructueuse. Un cadre theorique s'est vigoureusement developpe, solidement enracine
dans les theories statistiques de lois de convergence, la theorie bayesienne et la theorie de la
complexite algorithmique. De nombreux algorithmes et techniques d'apprentissage ont ete mis
au point, que les praticiens de multiples domaines sont avides d'employer (genomique, fouille de
donnees en entreprise, etudes de marche, etc.). La communaute des chercheurs et des praticiens
de l'apprentissage articiel est active et reconnue institutionnellement: avec des postes dans les
universites et les laboratoires, des conferences et des revues specialisees. Pourtant cette science,
si vive, si feconde, repond-elle a toutes les interrogations sur l'apprentissage?
Lorsque l'on prend du recul, on peut être surpris par l'image de l'apprentissage qu'elle des-
sine. On s'y interesse en eet a des agents isoles, recevant passivement des donnees produites
de maniere aleatoire par une Nature indierente. Ces agents ne cherchent pas vraiment a com-
prendre le monde ou ils se trouvent, mais tentent (( seulement )) d'être bons en moyenne (voir la
gure 17.11). D'ailleurs, ils n'evoluent pas. Une seule dose de donnees ingurgitee d'un seul coup,
et c'en est ni pour toujours. La science de l'apprentissage est une science du statique et non du
dynamique ! Ce n'est pas plus une science de l'information ou de la connaissance : l'expression
des connaissances prealables est tres pauvre, se resumant essentiellement a des a priori sur les
fonctions cible possibles et a l'algorithme utilise ; les connaissances produites consistent le plus
souvent en des procedures de decision, parfois completement opaques comme dans les reseaux
connexionnistes. Il ne s'agit evidemment pas ici de denoncer les recherches menees en apprentis-
sage articiel, mais il est clair que le paradigme actuel, par ailleurs si puissant, est notoirement
limite. Il y a encore des revolutions scientiques a mener pour les esprits audacieux. Sans decrire
ces revolutions a venir, il est interessant de voir que certaines directions de recherche actuelles
tendent a elargir le cadre dominant.
Sans tout bouleverser, que peut-on remettre en cause dans le cadre classique?
Le critere de performance. La plupart du temps, ce critere cherche a denir l'ecart entre
l'etat de la Nature, la fonction cible par exemple, et son estimation par l'agent apprenant.
Cet ecart, qui fonde toutes les approches relevant de la theorie de l'approximation, a
deux aspects. D'une part, une mesure de distance ponctuelle, par exemple une distance
quadratique entre un point prevu et un point fourni par l'oracle. D'autre part, une densite
de distribution sur l'espace X U des points. A partir de la, l'ecart prend la forme d'une
esperance : l'integrale des distances ponctuelles ponderees par la distribution.
Il faut noter que ce critere n'est pas tourne vers l'identication ou la comprehension de
la fonction cible. Il vise en eet a l'ecacite, mais pas a la precision, comme l'illustre
la gure 17.11. Intuitivement, il serait en eet interessant de dedier des ressources de
l'apprenant (par exemple des questions a poser, ou bien des parametres : centres de fonc-
tions noyau, etc.) a l'aproximation dans les regions de forte dynamique, mais le critere de
performance en esperance conduit a consacrer les ressources aux regions de fortes densites.
Fig. 17.11 { Le critere de performance habituel, mesurant une esperance, privilegie l'aproxima-
tion dans les regions de forte densite de donnees et non dans les regions de forte
dynamique. De ce fait, la fonction identiee par minimisation du risque empirique,
ici une droite, peut être tres dierente de la fonction cible.
Mais d'autres criteres de performance peuvent être interessants. Par exemple, la perfor-
mance d'un systeme d'apprentissage, l'ecart precedemment deni, peut eventuel-lement va-
rier en fonction d'autres parametres, comme le taux de faux positifs admis, ou la conance
du systeme dans sa prediction. Ce n'est alors plus un nombre, comme le taux d'erreur,
qui caracterise un systeme, mais une courbe, voire une surface. On parle alors d'optimi-
sation multicritere et la comparaison entre systemes d'apprentissage doit faire intervenir
l'ensemble des parametres.
On peut aussi vouloir prendre en compte la complexite computationnelle d'un apprentis-
sage an de traduire qu'il doit s'eectuer dans un temps raisonable, compatible avec les
exigences de fonctionnement dans le monde. C'est ce que tente de capturer un versant du
modele d'apprentissage PAC (voir chapitre 2) qui pose qu'un apprentissage n'est possible
que s'il est de complexite au plus polynomiale en un certain nombre de parametres 6 . Pour
le moment, cette caracterisation formelle des apprentissages realisables a surtout permis de
montrer que certains apprentissages etaient non apprenables dans ce cadre. L'accumulation
de ces resultats negatifs a lasse même les theoriciens, et ce d'autant plus qu'ils se fondent
sur des bornes souvent grossieres que la realite des applications pratiques semble ignorer.
Les theoremes sur les vitesses de convergence dans l'analyse de Vapnik ont remplace ce
type d'investigations.
Cependant, les criteres de performances evoques ci-dessus privilegient le point de vue des
systemes d'apprentissages (( a un coup )), batch-learning, dans lesquels la performance n'est
mesuree qu'apres l'apprentissage. C'est evidemment tres restrictif. La plupart des orga-
nismes naturels, les organisations sociales et les institutions, mais aussi certains systemes
articiels, ne peuvent survivre que s'ils apprennent en permanence et que leur performance
tout au long de leur existence est correcte, et pas mesuree seulement une fois a la n. Il
6. Plus formellement, on dit qu'une classe de concepts F denie sur un espace d'exemples X est apprenable avec un
espace d'hypotheses H par un apprenant A ssi pour tout f 2 F , toute distribution DX sur X , un taux d'erreur "
tel que 0 < " < 1=2 et un taux de conance tel que 0 < < 1=2, et a partir d'un echantillon d'apprentissage de
taille m, l'apprenant A produit avec une probabilite au moins (1 ; ) une hypothese h 2 H telle que RReel "
(ou le risque est calcule par un taux d'erreur) en un temps polynomial en 1=", 1=, m et taille(f ).
est donc important de denir des mesures de performances qui puissent s'appliquer tout
au long de la trajectoire des etats suivie par l'apprenant.
Finalement, il faudra bien un jour envisager des mesures de performances plus sophis-
tiquees, prenant en compte a la fois l'intelligibilite des connaissances produites par l'appre-
nant, mais aussi la maniere dont elles peuvent s'inscrire dans les connaissances anterieures,
dans les connaissances de la collectivite, humaine ou non, et s'interfeconder avec elles. Ce
jour-la, l'apprentissage articiel pourra renouer un dialogue fecond avec d'autres sciences
de l'apprentissage, comme la psychologie ou la didactique. Il reste pour cela du chemin a
parcourir.
Le protocole d'apprentissage. Il regle le protocole des interactions entre l'apprenant
et son environnement, celui-ci incluant eventuellement un oracle ou professeur dans le cas
de l'apprentissage supervise. Nous avons largement examine les protocoles d'apprentis-
sage supervise, non supervise et par renforcement. Ils n'epuisent cependant pas l'ensemble
des possibilites et d'autres types d'apprentissages sont envisages comme l'apprentissage
incremental ou en ligne (on-line learning), l'apprentissage actif ou les apprentissages col-
laboratifs.
Le type d'analyse theorique. Toutes les etudes theoriques prennent comme base l'hy-
pothese de donnees tirees aleatoirement et independamment suivant une distribution xe
(tirage i.i.d.). C'est en eet le seul cadre dans lequel on sache etablir des theoremes de
convergence uniforme sur des fonctions de distribution. Malheureusement, ou heureuse-
ment, l'environnement d'un agent obeit rarement a cette hypothese. L'agent modie les
distributions de donnees par son action, la tâche d'apprentissage evolue, la Nature elle-
même change. On retombe la sur le probeme de la denition d'autres protocoles d'ap-
prentissage et d'autres criteres de performance. L'approche theorique de l'apprentissage
va devoir regarder ailleurs que dans la theorie statistique.
Dans les sections suivantes, nous revenons brievement mais de maniere un peu plus for-
melle sur les modeles d'apprentissage denis par des criteres de performance et des protocoles
dierents. Notre but est de permettre au lecteur de situer a quoi se referent certains termes, en
lui laissant l'initiative de s'informer plus avant pour ce qui l'interesse.
17.5.1 D'autres modeles d'apprentissage
17.5.1.1 Apprentissage incremental ou en ligne
Dans l'apprentissage non incremental ou encore batch, l'echantillon de donnees d'appren-
tissage est fourni d'un seul coup a l'apprenant. Celui-ci peut alors choisir une hypothese op-
timisant sur ces donnees un certain critere objectif traduisant le principe inductif : minimi-
sation d'un risque, compression maximale de l'information ou maximisation d'une vraisem-
blance, par exemple. Dans l'apprentissage incremental en revanche, les donnees sont fournies
sequentiellement a l'apprenant et celui-ci doit prendre des decisions et mettre a jour son esti-
mation du monde apres chaque nouvelle donnee. La performance n'est donc plus mesuree apres
l'apprentissage, comme un risque ou une esperance de risque, mais traduit la qualite des decisions
prises tout au long de l'apprentissage. Generalement, on suppose qu'a chaque etape (trial), l'ap-
prenant recoit une donnee, prend une decision : par exemple predit l'etiquette de cette donnee,
puis subit un coût qui est fonction de sa prediction ou de son estimation de l'etat du monde, et
du veritable etat du monde (parfois aussi du changement d'estimation d'une etape a la suivante).
L'apprenant met alors a jour son estimation courante du monde et attend la prochaine etape.
Comment mesurer la performance globale du systeme alors que la sequence de donnees peut ne
pas être bornee?
Principalement deux types de scenarios ont ete explores.
Le premier s'appelle apprentissage incremental avec nombre d'erreurs (mistake-bound lear-
ning model ). Il est assez naturel. On se demande combien d'erreurs peut-on être amene
a faire dans le pire des cas (le pire concept cible et la sequence d'exemples la plus
desavantageuse) pour identier un concept cible. Plus formellement, a chaque etape, un
exemple x 2 X = f0; 1gd est fourni a l'algorithme qui doit predire sa classe 0 ou 1 avant de
recevoir sa vritable etiquette. L'algorithme est penalise pour chaque erreur de prediction
commise. Le but est d'avoir un apprenant faisant le moins d'erreurs possible. On suppose
generalement que la presentation des exemples est sous le contrôle d'un adversaire. Dans
ce modele, on s'interesse particulierement aux algorithmes qui pour tout concept c dans
un espace de concepts cible C et pour toute sequence d'exemples, ne font pas plus de
poly(d; taille(c)) 7 erreurs avec un temps de calcul par etape en poly(d; taille(c)). On dit
alors que l'algorithme apprend C dans le modele incremental avec nombre d'erreurs.
Le second est le modele d'apprentissage incremental avec perte relative (relative loss bound
model ). Il se rapporte a toute une lignee de travaux dans des domaines connexes comme
l'apprentissage de strategies mixes optimales dans les jeux iteres, le probleme du codage uni-
versel en theorie de l'information, celui des portefeuilles universels en prediction nanciere,
et plus generalement le probleme de la prediction universelle. Dans cette approche, on
s'interesse aux proprietes de la prediction d'une sequence (et non d'une population de
sequences generee par un modele probabiliste, ce qui mene a des esperances de pertes).
La mesure de performance d'un algorithme de prediction ne peut plus alors se faire dans
l'absolu et doit être mesuree par comparaison avec une population F de predicteurs, que
l'on appelle aussi des experts. On cherche alors quelle est la perte ou regret maximal de
la strategie d'apprentissage par rapport au meilleur expert de F . Notons que la notion
de regret renvoie aussi a ce qui est perdu par rapport a un apprenant (expert) qui aurait
eu toutes les donnees d'un coup (apprentissage batch). Parfois, on parle d'apprentissage a
partir d'avis d'experts (using expert advices). Les resultats connus sont encore parcellaires,
mais il faut retenir que les pertes calculees dependent de certaines proprietes metriques de
la population d'experts F .
En dehors du fait que ces travaux prennent en compte le caractere generalement incremental
des apprentissages, l'un de leurs interêts majeurs est qu'ils peuvent renouveler l'approche theorique
de l'apprentissage dans la mesure ou l'on s'y aranchit d'hypotheses sur la distribution des
exemples et en particulier sur l'hypothese i.i.d. (distribution independante et identique). (Voir
[AW01, Blu97, CBFH+ 97, CBL01, Cov91, MF98]).
17.5.1.2 Apprentissage actif et apprentissage guide
Excepte pour le cas de l'apprentissage par renforcement, cet ouvrage a essentiellement rendu
compte de protocoles d'apprentissage dans lesquels l'apprenant est passif, recevant les donnees
que veut bien lui fournir la Nature ou l'oracle. La dierence est notable avec les agents cognitifs
naturels qui agissent sur le monde et sont en partie responsables du ot de donnees leur parve-
nant. Pourquoi alors ne pas etudier ces apprentissages actifs, ne serait-ce que pour savoir s'ils
sont avantageux par rapport aux apprentissages passifs?
La base des modeles proposes dans ce cadre est de supposer que l'apprenant peut poser des
questions a la Nature sous des formes diverses.
Dans le protocole de requête d'appartenance (membership query ), l'apprenant peut choisir
7. C'est-a-dire une fonction polynomiale de d et de la taille de description du concept c.
une forme et demander quelle est son etiquette a l'oracle. Il s'agit alors de voir en combien
de questions au minimum l'apprenant peut identier la meilleure hypothese. ([Ang88])
Dans le protocole de requête d'equivalence (equivalence query ), l'apprenant peut proposer
une hypothese h, et l'oracle, soit l'informe que l'hypothese est logiquement equivalente a
la fonction cible, soit lui fournit un contre-exemple inrmant l'hypothese. ([Ang88])
Dans le protocole de requête statistique (statistical query model ), l'apprenant ne peut
avoir acces directement aux exemples etiquetes, mais peut poser des questions sur les
statistiques des exemples etiquetes (par exemple 3/4 des 52 exemples sont positifs). Ce
modele est particulierement utile dans le cas de donnees dont l'etiquette peut être erronee
(bruit de classication). ([KV94])
Pour chacun de ces protocoles, des resultats ont ete obtenus sur des classes de fonctions cible
apprenables ecacement dans le modele PAC et sur des equivalences entre ces modeles. S'il est
acquis que certains protocoles permettent de reduire la taille de l'echantillon d'apprentissage

necessaire, aucun resultat ne permet d'armer que l'apprentissage actif soit plus puissant que
l'apprentissage passif en termes de fonctions apprenables. A l'oppose des apprentissages dans
lesquels l'apprenant a l'initiative des questions, existent les modeles d'apprentissage dans lesquels
un professeur essaie de faciliter la vie de l'apprenant en choisissant bien les exemples fournis
et eventuellement l'ordre dans lequel ils sont presentes. On parle alors d'apprentissage guide
(teachability ). Si ces modeles sont potentiellement tres interessants car ils pourraient donner des
informations precieuses sur la maniere d'enseigner, ils butent pour le moment sur une denition
adequate de ce qu'est un guidage licite. Si, en eet, on ne prend pas de precaution, il est facile
pour l'enseignant d'être complice de l'apprenant et de tricher en codant la fonction cible sous la
forme d'un echantillon d'apprentissage. La frontiere entre connivence illicite et aide bienveillante
est subtile. Les travaux dans ce domaine restent preliminaires [GK95].
17.5.1.3 Apprentissage multi-instance
Il se peut que l'on veuille apprendre a reconna^tre des (( objets )) ayant certaines proprietes
quand ces proprietes sont dues a certaines conformations ou manifestations de ces objets, mais
pas necessairement a toutes. Ainsi, par exemple, on voudra apprendre que telle molecule dont on
conna^t la formule brute a un caractere cancerigene parce qu'au moins l'une de ses conformations
est cancerigene. De même, un trousseau de cle est utile parce qu'il contient une cle au moins
permettant d'ouvrir la porte. La diculte de ce type d'apprentissage vient du fait que l'apprenant
ne sait pas quelle conformation est responsable de l'etiquette de l'objet et qu'il doit cependant
apprendre a predire ces etiquettes.
Ce type d'apprentissage a ete decrit par [DLLP97] dans le cadre de la reconnaissance de
molecules cancerigenes. Il correspond a bien d'autres situations pratiques. Conceptuellement,
cet apprentissage est interessant a etudier car il est associe a des langages de representation
dont le pouvoir expressif doit être intermediaire entre celui de la logique des propositions et
celui de la logique des predicats. Il est ainsi envisageable d'echapper aux limites de l'un et aux
problemes de calculabilite de l'autre. La these de Yann Chevaleyre ([Che01]) est une bonne
introduction a l'apprentissage multi-instance (multi-instance learning).
17.5.2 D'autres types d'analyses
17.5.2.1 Analyse de la physique statistique
L'analyse de Vapnik de l'induction par minimisation du risque empirique (ERM) a partir
d'un echantillon aleatoire de m exemples conduit a des courbes d'erreur en generalisation bornees
par O(dH =m) (dans le cas de la discrimination et d'une fonction cible appartenant a l'espace
d'hypotheses H de dimension de Vapnik-Chervonenkis dH ) ou par O(dH =m) (dans le cas de
la discrimination et d'une fonction cible n'appartenant pas a H). Rappelons que ces bornes,
obtenues dans le cadre d'une analyse dans le pire cas, sont universelles : elles sont valables pour
tout espace H d'hypotheses, pour toute distribution de donnees et pour toute fonction cible.
Par ailleurs, il a ete montre que ces bornes sont essentiellement les meilleures possibles dans
le pire cas, dans le sens ou, pour tout espace H, il existe une distribution de donnees sur X
pour laquelle la borne inferieure sur l'erreur de generalisation est egale a la borne superieure
donnee ci-dessus. Des lors, on pourrait croire que le comportement reel en genep ralisation des
algorithmes d'induction est decrit soit par la forme fonctionnelle dH =m soit par dH =m. Il se
trouve que l'on peut observer toute une variete de comportements ne correspondant pas a ces
formes fonctionnelles. Ainsi, bien souvent, des erreurs en generalisation (risques reels) faibles
sont obtenues pour des echantillons d'apprentissage beaucoup plus faibles que ceux predits par
la theorie (parfois même pour des echantillons de taille < dH , c'est-a-dire pour lesquels aucune
borne en generalisation n'est valide en theorie). Parfois aussi, on observe des courbes d'appren-
tissage presentant de brutales transitions (voir la gure 17.12) reminiscentes des phenomenes de
transitions de phase en physique.
Risque réel
(erreur en généralisation)
Risque
Risque empirique
(erreur en apprentissage)
α
Fig. 17.12 { Un exemple de courbe d'apprentissage presentant une transition brutale vers une
erreur en generalisation nulle. On etudie donc les caracteristiques de l'esperance
de risque en fonction du rapport = m=N , m etant le nombre d'exemples dans
l'echantillon d'apprentissage et N le nombre de degres de liberte gouvernant H
(typiquement, le nombre de connexions dans un reseau de neurones, sans qu'il soit
etabli que cela constitue des degres de liberte independants).
Plusieurs explications de ces phenomenes ont ete proposees. Par exemple :
L'algorithme d'apprentissage (e.g. un reseau connexionniste) n'accederait eectivement
qu'a un sous-espace de l'espace des hypotheses H, dont la dimension de Vapnik-Chervonenkis
serait inferieure a dH . Il faudrait donc prendre en compte la dimension de Vapnik-Chervonenkis
du sous-espace reellement explore. Il y a la d'ailleurs une direction de recherche interessante
visant a prendre en compte la strategie d'exploration de l'algorithme.
La distribution des donnees serait en general beaucoup plus favorable que la distribution
la pire possible. Cela a motive des travaux dedies a l'etude de distributions particulieres.
Surtout, c'est la l'une des sources de l'excitation autour des separateurs a vastes marges
(voir chapitre 9 et plus generalement des methodes a base de fonctions noyau.

An d'analyser ces phenomenes dont il semble dicile de rendre compte par l'approche de
Vapnik, certains theoriciens ont eu recours a des methodes issues de la physique statistique.
L'idee essentielle est de considerer l'espace H des hypotheses comme un ensemble d'etats pos-
sibles d'un systeme (physique) soumis a la contrainte d'une sequence d'apprentissage donnee.
A chaque etat (hypothese) peut être associee une energie (risque empirique). On cherche alors
quelles sont les caracteristiques de cet espace d'etats, et, en particulier, pour chaque etat possible,
la probabilite de s'y retrouver apres une exploration stochastique guidee par l'energie. Ainsi, au
lieu d'etudier le risque reel associe a la pire hypothese minimisant le risque empirique, comme
dans l'approche en pire cas, on etudie l'esperance du risque reel dans un espace d'hypotheses sous
une distribution de probabilite re etant la performance en apprentissage de chaque hypothese.
Il s'agit donc bien d'une analyse du principe inductif ERM, mais d'une analyse en cas moyen
sur l'ensemble de l'espace d'hypotheses en supposant donnes un echantillon d'apprentissage S

et une densite de probabilite a priori sur H.
L'etude de l'esperance de risque reel (equation (17.28))
Z
EH(RReel (h)) = RReel(h) p(hjS ) dh (17.28)
h2H
conduit a examiner la distribution de Gibbs sur l'espace des hypotheses et son evolution en
fonction de l'echantillon d'apprentissage S . Cette grandeur depend de l'echantillon d'apprentis-
sage Sm (ce que les physiciens associent a un (( desordre gele )) pour indiquer que le systeme
a evolue sous la contrainte xee posee par Sm ). Il est interessant de chercher a s'aranchir
de cette dependance en etudiant l'esperance du risque reel moyennee sur tous les echantillons
d'apprentissage :
@ fE ln [Z ( )]g
ESm [EH (RReel (h))] = ; @ (17.29)
Sm m
Le probleme est que le calcul de cette grandeur est en general tres dicile. Il n'est resolu que pour
des cas particuliers par l'emploi de methodes encore mal ma^trisees. Deux idees sont essentielles
pour aborder ce calcul :
1. Ce qui est important, c'est une sorte de capacite associee a chaque degre de liberte de l'es-
pace d'hypotheses. On etudie donc les caracteristiques de l'esperance de risque en fonction
du rapport = m=N , m etant le nombre d'exemples dans l'echantillon d'apprentissage et
N le nombre de degres de liberte gouvernant H (typiquement, le nombre de connexions
dans un reseau de neurones, sans qu'il soit etabli que cela constitue des degres de liberte
independants). Lorsque l'on fait tendre m ! 1 en gardant constant, on parle alors de li-
mite thermodynamique. Les courbes d'apprentissage sont etablies en examinant l'esperance
de risque en fonction du rapport .
2. On espere que, comme en physique des verres de spin, les proprietes macroscopiques
des systemes d'apprentissage (par exemple leur risque reel) presentent des proprietes
d'automoyennage. Cela signie que lorsque les contraintes (l'echantillon d'apprentissage)
sont engendrees par une même distribution, les proprietes macroscopiques qui en decoulent
sont les mêmes et ne dependent donc pas de la realisation particuliere d'un echantillon
d'apprentissage. Cela signie, qu'a la limite de N ! 1, tous les echantillons d'apprentis-
sage sont equivalents et l'on peut alors obtenir facilement des proprietes generiques des
systemes d'apprentissage.
Du fait de la diculte technique des methodes de calcul mises en jeu et de leurs domaines de
validite souvent restreints quand ils ne sont pas incertains, les resultats obtenus sont parcellaires.
Nous ne rentrerons pas dans leur details ici.
L'approche de la physique statistique qui cherche a etudier des proprietes typiques du prin-
cipe ERM plutôt que des bornes de conance est potentiellement tres interessante, et ce d'autant
plus qu'on peut egalement obtenir par ce biais des informations sur la dynamique de l'appren-
tissage et non seulement sur ses proprietes asymptotiques. C'est pourquoi nous croyons utile de
l'evoquer dans cet ouvrage.
Cependant, cette approche qui repose sur la mise a jour de proprietes d'automoyennage dans
les systemes d'apprentissage, pose des problemes redoutables et implique la mise en uvre de
techniques diciles et dont les domaines de validite sont encore imprecisement connus. Cela
explique sans doute le petit nombre de publications la concernant. Sans être exhaustifs, nous
pouvons citer en particulier [Gar88, HKS94, HKST96, LTS89, OH91, SST92, WRB93].
17.5.2.2 Apprentissage et analyse des systemes dynamiques
Un apprenant est un systeme caracterise par un certain etat qui evolue en fonction de cet
etat et des entrees dues a l'environnement. On peut donc le caracteriser comme un systeme
dynamique. Lorsque l'apprenant est soumis a une sequence d'entrees, il suit une trajectoire le
faisant passer d'un etat d'origine e0 a un etat nal ef . On peut alors chercher ce qui caracterise
ces trajectoires. La physique des systemes dynamiques nous apprend que la trajectoire suivie
par un systeme rend extremale une quantite que l'on appelle action et qui est l'integrale le long
de la trajectoire d'une quantite appelee Lagrangien (a ne pas confondre avec les multiplicateurs
de Lagrange). Si l'on conna^t le Lagrangien d'un systeme, on peut calculer sa trajectoire pour
toute sequence d'apprentissage.
Ce qui est interessant, c'est que cette approche permet de relier la notion d'information avec
celle d'apprentissage. En eet, considerons maintenant un apprenant tel que, etant donne un
etat initial e0 , quel que soit l'ordre dans lequel est presente un echantillon d'apprentissage, il
parvienne au même etat nal ef . En d'autres termes, l'apprenant est insensible a l'ordre de
presentation des donnees. Cela correspond a un invariant sur la trajectoire qui est lie a un
invariant de l'action et du Lagrangien. Cette invariance implique des relations speciques entre
information et prise en compte de cette information par l'apprenant. Notamment, le systeme
ne peut oublier n'importe comment l'information qui lui a ete fournie. On peut ainsi etablir
un lien entre information, systeme d'apprentissage et oubli. Apres tout, il est curieux que la
notion d'oubli n'apparaisse qu'ici dans un livre sur l'apprentissage. Apprentissage - oubli / oubli
- apprentissage, l'un est-il pourtant dissociable de l'autre?
Il y a encore tellement de choses a apprendre sur l'apprentissage !
Notes historiques et bibliographiques

L'historique de l'analyse de l'apprentissage par Vapnik a deja ete abordee dans les chapitres 2
et 9. Nous nous interessons donc ici aux autres sujets de ce chapitre.
L'idee que l'induction pouvait être vue comme l'approximation d'une fonction multi-variables
reguliere a partir de donnees n'est pas nouvelle. Sa formalisation s'est cependant faite progres-
sivement et c'est vraiment Girosi et Poggio qui se sont faits les champions de ce point de vue
en essayant de montrer que toutes les autres approches theoriques peuvent s'y ramener (voir
[GJP95] par exemple). Ils ont notamment etudie les proprietes d'un certain nombre de critere de
penalisation ainsi que des modeles dans lesquels les variables d'entrees sont d'abord pretraitees
par des fonctions de base, dont les fonctions a base radiale. Le cours de Girosi au MIT est a cet
egard interessant a consulter.
La theorie de l'estimation bayesienne est bien presentee dans [DHS01, Bis95, CL96] avec des
details historiques dans la premiere reference. La diculte de sa mise en uvre lui fait preferer
des versions simpliees (voir les chapitres 2 et 14).
Les liens entre induction et economie d'expression d'un modele sont tres anciens comme le
montre le principe du rasoir d'Occam. C'est Solomono [Sol64] qui le premier en 1963 exposa
une theorie de l'induction basee sur l'idee d'utilisation d'une probabilite a priori liee a la com-
plexite de Kolmogorov. Le principe de longueur de description minimale (MDL) a ete introduit
independamment par Wallace et Boulton [WB85] d'une part, et par Rissanen [Ris78] d'autre
part. De nombreux travaux de nature plutôt empirique ont cherche a en tester le champ d'appli-
cation. Par ailleurs, les debats theoriques actuels portent sur les liens entre le MDL et la theorie
bayesienne : celui-ci est-il premier par rapport a celle-ci? (voir les passionnants debats sur ce
sujet a NIPS-2001 (a para^tre chez MIT Press).
Le no-free-lunch theorem a des antecedents dans le (( theoreme du vilain petit canard ))
[Wat85] enonce en 1963 a propos de la non-universalite de toute mesure de distance. Sa des-
cription et sa preuve sont dues a Wolpert [Wol92] et [Wol95], de même que sa version pour les
methodes d'optimisation [Wol97]. Ce theoreme a fait couler beaucoup d'encre dans les annees
1990, mais il semble maintenant accepte par la communaute. A notre connaissance, la confron-
tation avec l'analyse de Vapnik est exposee ici pour la premiere fois.
Resume
Des que l'on aborde des domaines complexes, il faut faciliter les raisonnements et
l'apprentissage :
en contrôlant l'expression de l'espace des hypotheses, par exemple en realisant
des abstractions ;
en apprenant des connaissances permettant une exploration plus ecace des
hypotheses, par exemple a l'aide de macro-operateurs ou d'heuristiques de
contrôle que rend possible l'apprentissage a partir d'explications ;
en facilitant le transfert de connaissances et de solutions entre domaines, par
exemple en utilisant des raisonnements comme l'analogie.
Toutes ces techniques requierent une ou des theories du domaine fortes. C'est de la
qu'elles tirent une grande puissance en permettant l'apprentissage a partir de peu
de donnees. C'est la aussi la source des dicultes de leur application.
Chapitre 18
Annexes techniques
18.1 Exemples de fonctions de perte en induction

Bien que les problemes d'apprentissage lies a la classication, la regression ou l'estimation
de densite soient apparemment tres dierents, impliquant des espaces d'entree et de sortie de
nature diverse, ils peuvent cependant être analyses a l'interieur du même cadre d'un probleme
d'optimisation du risque reel. Il sut pour cela d'introduire des fonctions de perte adaptees a
chaque cas. Cette annexe presente certaines d'entre elles.
18.1.1 La reconnaissance de formes ou classication
On appelle probleme de discrimination, ou d'apprentissage de concept, un probleme d'ap-
prentissage de regle de classication pour lequel l'espace de sortie est binaire : U = f0; 1g. Il
y a donc seulement deux classes possibles : l'une veriant le concept a apprendre et l'autre
denissant son oppose. L'espace de sortie de la machine Y n'a donc besoin de prendre que deux
valeurs et l'espace H des fonctions hypothese est alors celui des fonctions indicatrices, prenant
leur valeur dans f0; 1g).
Il est alors courant de prendre une fonction de perte qui mesure l'erreur de classication
pour chaque forme presentee a l'apprenant :
(
0 si ui = h(xi )
l(ui ; h(xi )) = (18.1)
1 si ui 6= h(xi )
Avec cette fonction de perte, le risque
Z
RReel (h) = l(u; h(x))dF (x; u)
Z =xu
mesure la probabilite de mauvaise classication (en anglais, mis-classication).
Le probleme de discrimination est donc celui de l'apprentissage d'une fonction indicatrice
minimisant la probabilite d'erreur lorsque la distribution des formes F (x; u) est inconnue et que
seul est fourni un echantillon de donnees.
Il est important de noter que ce type de fonction de perte n'est pas forcement celui qui doit
être employe pour tous les problemes de classication. Pour reprendre l'exemple du diagnostic de
l'appendicite, il est beaucoup plus coûteux socialement et nancierement de passer a côte d'une
appendicite que d'en diagnostiquer une a tort. Il faut donc dans ce cas denir une fonction de
perte qui rende compte de cette asymetrie. De même, les problemes de classication impliquant
plus que deux classes appellent d'autres fonctions de perte.
18.1.2 La regression
La regression consiste a estimer une fonction f a valeurs reelles, connaissant un echantillon
ni de couples (x; u = f (x)) ou (x; u = f (x + bruit)).
La fonction f a estimer peut donc être consideree comme la somme d'une fonction deterministe
et d'un signal d'erreur aleatoire de moyenne nulle (et le plus souvent considere comme une gaus-
sienne).
u = f (x) + (18.2)
On peut aussi decrire ce phenomene en considerant que la fonction deterministe est la moyenne
de la probabilite conditionnelle sur l'espace de sortie U .
Z
f (x) = u p(ujx) du (18.3)

L'espace des fonctions hypothese H de l'apprenant peut ou non inclure l'espace des fonctions
cible F . Une fonction de perte usuelle pour la regression est la fonction erreur quadratique (L2 ) :
L(ui; h(xi)) = (ui ; h(xi ))2 (18.4)
L'apprentissage consiste alors a trouver la fonction h 2 H minimisant la fonctionnelle de risque :
Z
RReel (h) = (u ; h(x))2 dF (x; u) (18.5)
Z =XU
sur la seule base de l'echantillon d'apprentissage. Cette fonctionnelle, le risque reel, mesure la
precision des predictions de l'apprenant.
Remarque
Sous l'hypothese que le signal d'erreur est une gaussienne centree en 0, ce rique peut aussi être ecrit en
fonction de la capacite de l'apprenant a approximer la fonction cible f (x) (et non la sortie u), comme le
montre le calcul suivant :
Z
RReel (h) = (u ; f (x) + f (x) ; h(x))2 p(x; u) dxdu
Z Z
= (u ; f (x)) dxdu + (h(x) ; f (x))2 p(x) dx
2
(18.6)
Z
+ 2 (u ; f (x))(f (x) ; h(x)) p(x; u) dxdu
Sous l'hypothese que le bruit est de moyenne nulle, le dernier terme dans la somme ci-dessus s'ecrit :
Z Z
(u ; f (x))(f (x) ; h(x)) p(x; u) dxdu = ((f (x) ; h(x)) p(ujx) p(x) dxdu
Z Z
= (f (x) ; h(x)) p(ujx)du p(x) dx (18.7)
Z
= (f (x) ; h(x))E ; (jx) p(x) dx = 0
Le risque peut donc être recrit come :
Z Z
RReel (h) = (u ; f (x)) p(x; u) dxdu + (h(x) ; f (x))2 p(x) dx
2
(18.8)
Chapitre 18 Annexes techniques 553
Le premier terme ne depend pas de la fonction d'approximation h et peut être ecrit en terme de la
variance sur le bruit :
Z Z
(u ; f (x)) p(x; u) dxdu =
2
2 p(ujx) p(x) dxdu
Z Z
= 2 p(ujx)du p(x) dx (18.9)
Z
= E (2 jx) p(x) dx
Et substituant (18.9) dans (18.8), on obtient :
Z Z
RReel (h) = E ( jx) p(x) dx + (h(x) ; f (x))2 p(x) dx
2
(18.10)
Le risque pour le probleme de regression (sous l'hypothese de fonction de perte L2 et de bruit de moyenne
nulle) a donc une contribution exprimant la variance du bruit et une contribution exprimant la precision de
la fonction d'approximation. Comme la variance du bruit est independante de la fonction d'approximation,
la minimisation du second terme de (18.10) est equivalente a la minimisation du risque (18.5). Ainsi,
chercher a obtenir le risque de prediction optimal est equivalent chercher l'approximation la plus precise
de la fonction cible inconnue f .
18.1.3 L'estimation de densite
Un autre probleme inductif important consiste a estimer une densite de probabilite dans
l'espace d'entree X a partir d'un echantillon de donnees fxi g1im . Dans ce cas, il n'y a pas
necessite de considerer un espace de sortie, et la sortie h(x) de l'apprenant represente une densite
sur X .
La fonction de perte usuelle dans ce cas est la fonction :
l(h(x)) = ; ln h(x) (18.11)
donnant la fonctionnelle de risque :
Z
RReel (h) = ; ln h(x) p(x)dx (18.12)
Il est etabli[DHS01] que la densite optimale h? minimise cette fonctionnelle de risque. Par ailleurs,
si la densite cible f 62 H, alors on peut montrer que la solution h minimisant l'esperance de risque
ou risque reel est caracterisable : c'est celle dont la divergence de Kullback-Leibler avec la vraie
densite f est la plus faible. (Voir la denition de la divergence de Kullback-Leibler dans le
chapitre 2).
18.2 Optimisation par descente de gradient

Introduction
Soit une fonction reelle f (u), avec u 2 D IRd . On cherche a trouver la valeur u du vec-
teur u telle que :
f (u ) = ArgMin f (u)
u2D
Autrement dit, on cherche une valeur u pour laquelle la fonction f prend la valeur minimale
sur son domaine.
Les methodes d'optimisation iterative consistent, d'une maniere generale, a partir d'une
valeur u0 , puis a construire une suite de valeurs un telles que :
f (un+1) f (un )
La construction d'une telle suite permettra de trouver u si F remplit des conditions que
nous allons enoncer au fur et a mesure.
Denition
Notons @u@ (un ) la valeur du gradient de f au point un . Rappelons que cette valeur est un
vecteur de IRd .
Les techniques de descente de gradient sont des methodes d'optimisation iterative pour les-
quelles on choisit :
@ (un )
un+1 = un ; n @u (18.13)
avec n reel positif.

En particulier, si l'on choisit n de sorte que :
@ n

f (un+1) = inf un ; n @u (u ) (18.14)

la methode porte le nom de gradient a descente maximale.

Une visualisation 1. intuitive de cette technique peut être proposee ainsi : un randonneur
dans le brouillard cherche a redescendre le plus vite possible de la montagne ou il est perdu. Il
observe les alentours et choisit de prendre la direction de la plus grande pente. Si la pente est
faible dans cette direction, il sera oblige de recommencer l'operation a peu de distance : le relief
est en eet dicile a deviner dans la zone ou il se trouve. Si la pente est forte et la montagne
assez reguliere, il peut par contre raisonnablement penser que le prol du terrain ne va pas se
modier immediatement ; il peut parcourir plus de chemin dans la direction choisie
1. Une autre metaphore est celle du joueur de golf : quand il est loin de la cible, il utilise un club (( long )) et imprecis.
Quand il se rapproche, il reduit la longueur de son coup pour gagner en precision. Il y a aussi des cas de divergence.
Le cas ideal
On dit qu'une fonction f : D ! IR est -convexe, si, par denition, il existe un reel positif
tel que :
8u 2 D; 8v 2 D; 8 2 f0; 1g : f ((1 ; )u + v (1 ; )f (u) + f (v)) + 2 (1 ; )ku ; vk2
Supposons f dierentiable et -convexe. En prenant pour n la solution de l'equation 18.14
et en notant << :; : >> le produit scalaire, on a :
@ (un ; @ (un)); @ (un )) >>= 0
<< @u n @u @u
soit :
@ (un+1 ); @ (un) >>= 0

<< @u @u
Ce qui signie que chaque pas de descente maximale se fait dans une direction orthogonale au
precedent. On peut alors demontrer que :
lim (kun+1 ; un k) = 0
n!+1
La suite un tend donc vers une limite. De plus, cette limite est la valeur cherchee u , qui minimise
f.
N.B. : la demonstration demande au passage que la fonction f soit lipschitzienne, c'est-a-dire
que
8u 2 D; 8v 2 D; 9c 2 IR : kf (u) ; f (v)k cku ; vk
Par consequent, si les proprietes de f sont assez fortes, la descente de gradient amene au
point cherche.
On peut aussi demontrer que la convergence est encore vraie pour n xe a une valeur
positive bornee par une constante dependant de et de c.
Le cas general : quelques problemes
La propriete d'-convexite est tres forte. Intuitivement, elle signie que le graphe de la
fonction f a une courbure superieure en tout point a la (( parabole )) g(v) = 1=2kvk2 .
La propriete d'être lipschitzienne est moins exigeante : elle implique une regularite qui n'est
pas rare en pratique.
Quand on cherche a minimiser une fonction, on ignore en general si elle verie les deux
proprietes precedentes. La plupart du temps, on peut au mieux la supposer derivable. Que
donne alors la methode de la descente de gradient?
La gure 18.1, donne une intuition de la methode et de ses problemes. Elle represente le
graphe d'une fonction derivable sur le domaine D = [0; 1]. On y voit trois cas caracteristiques :
{ Si un se trouve dans la partie droite du graphe, le gradient @u@ (un ) est positif et grand. Par
consequent, en prenant
@ (un)
un+1 = un ; @u
avec reel positif, on obtiendra par exemple un+1 au point indique. A cet endroit, le
gradient y est plus petit, quoique toujours positif. Le point suivant un+2 , calcule avec la
même valeur de , sera donc plus proche de un+1 que un+1 l'etait de un . On assiste de la
sorte a la convergence de la suite vers la valeur minimale u cherchee.
wn+1 b
b
wn b
vn un b
vn+1
vn+2
b
b
b
un+1
un+2
0 uopt
local u 1
Fig. 18.1 { Une illustration de la methode de descente de gradient.
{ Construisons maintenant une autre suite a partir du point vn , avec une valeur superieure
pour . Cette suite converge aussi, mais il y a deux dierences avec le cas precedent :
{ la suite n'est plus strictement croissante ou decroissante, mais converge par valeurs
alternativement superieures et inferieures a la valeur nale ;
{ la valeur atteinte n'est pas le minimum cherche, mais un minimum local uopt local . Cette
esultat de l'aaiblissement des proprietes de f . Dans
(( erreur )) de convergence est le r
la pratique, ce cas se rencontre tres souvent.

{ A partir du point wn , en prenant encore plus grand, par contre la suite va diverger.
En pratique
Rappelons que dans le cas general u est un vecteur. En general, son domaine D sera convexe,
par exemple deni par un hyperrectangle :
D = fl1min x1 l1max ; : : : ; ldmin xd ldmax g
De nombreuses methodes ont ete proposees pour pallier les faiblesses presentees sur l'exemple
monodimensionnel de la gure 18.1. En ce qui concerne le reglage de la valeur de , on peut
par exemple utiliser la technique de la descente maximale, qui calcule au mieux cette valeur, ou
en prendre une approximation (en general, faire decro^tre avec n). On peut egalement faire
intervenir la derivee seconde de f .
Il est plus dicile d'eviter les minima locaux. On peut evidemment appliquer plusieurs fois la
methode en faisant varier les parametres de l'algorithme (reglage de , point de depart) et choisir
le minimum des minima locaux trouves. On peut aussi introduire des perturbations aleatoires
dans le calcul de la suite un , pour tenter de la faire (( sortir )) des zones ou elle converge vers un
minimum local.
[Fle80] est une bonne reference pour la theorie et la pratique des methodes d'optimisation
(en particulier par descente de gradient).
18.3 La retropropagation du gradient de l'erreur

Dans cette annexe, nous montrons comment etablir les formules de la section 10.3.2 qui
dictent le changement de poids d'un reseau de neurones entra^ne par la regle de la retropropagation
de l'erreur.
18.3.1 Notations
Nous notons j l'etat d'activation du neurone j a la presentation du vecteur d'entree x. De
la même facon, nous notons yj la sortie du neurone j , w(i; j ) le poids de la connexion entre les
neurones i et j , et uj la valeur desiree du neurone de sortie j .
De plus, nous notons source(j ) l'ensemble des neurones connectes au neurone j , dest(j )
l'ensemble des neurones auxquels j se connecte, et sortie(j ) l'ensemble des neurones de sortie.
18.3.2 Fonctionnement du systeme
Rappelons tout d'abord les equations de base regissant le fonctionnement du reseau. La regle
de propagation du reseau est la suivante :
X
j = w(i; j ) yi (18.15)
i2source(j )
La fonction de sortie permet de calculer yj en fonction de j :
yj = f (j ) (18.16)
Cette fonction doit être continue, croissante, bornee et derivable. On utilise souvent une fonction
sigmode denie par :
f (u) = 1 + 1e;u (18.17)
avec reel positif.
Cette fonction repond a l'equation dierentielle :
f 0 = f (1 ; f )
En eet :
f (u) = 1 + 1e;u
;(;e;u)
f 0 (u) = (1 + e;u )2
yi = f (i )
1
0 i
;4 ;3 ;2 ;;11 1 2 3
Fig. 18.2 { La fonction sigmode d'equation yi = f (i ) = 1+e1;i . Cette fonction est parametree
par sa pente a l'origine . Pour tres grand, on retrouve la fonction seuil. Pour
tres petit, cette fonction est pratiquement lineaire dans une vaste region autour de
l'origine. La sigmode de cette gure est dessinee pour = 1.
f 0(u) = 1 + 1e;u (1 ; 1 + 1e;u ) = f (u)(1 ; f (u)) (18.18)

On peut remarquer que, quand est tres grand, f se rapproche de la fonction signe ; quand
est tres petit, mais non nul, f est pratiquement lineaire autour de l'origine et de valeurs bornees
entre 0 et 1.
On considerera ici pour simplier la fonction sigmode de parametre egal a 1. Prendre
quelconque introduirait simplement un coecient de proportionnalite dans les calculs qui
suivent.
18.3.3 Calcul du gradient
Nous cherchons a faire evoluer le reseau de facon a minimiser un coût Ex pour chaque vecteur
d'entree x. On utilise ici le critere des moindres carres :
X
Ex = 21 (uj ; yj )2 (18.19)
j 2sortie
Nous cherchons le gradient de Ex par rapport aux poids du reseau, c'est-a-dire les valeurs
@Ex
w(i; j )
Pour plus de clarte, nous pouvons omettre l'indice x dans les equations qui viennent.
Par la regle de derivation cha^nee, on sait que :
@E = @E @j
@w(i; j ) @j @w(i; j )
De l'equation (18.15), on deduit que :
@j
@w(i; j ) = yi
Par consequent, en notant :
@E
j = @
j
on a :
@E = y
@w(i; j ) i j
Le cas des neurones de sortie
Lorsque j est un neurone de sortie, avec f denie comme dans l'equation (18.17) et egal a
1, on a :
j = @@E = @E @yj
@y @w(i; j )
j j
On a, d'apres les equations 18.16 et 18.18 :
@yj
@j = yj (1 ; yj )
Puisque j est un neurone de sortie, d'apres l'equation 18.19 :

@E = y ; u
@yj j j
Donc, pour un neurone de sortie :
j = yj (1 ; yj ) (yj ; uj )
Le cas des neurones caches
Lorsque j est un neurone cache, on calcule j par retropropagation. La remarque fondamentale
est que la contribution de chaque neurone formel j sur la sortie est propagee vers la sortie a
travers les elements de la couche dest(j ). Par consequent :
@E = X @E @k
j = @
j k2dest(j ) @k @j
En developpant les calculs :

X
j = k @
@
k
k2dest(j ) j
X
= k @ k @yj
@y @
k2dest(j ) j j
X
= k w(j; k) yj (1 ; yj )
k2dest(j )
X
= yj (1 ; yj ) k w(j; k)
k2dest(j )
Conclusion
En combinant les equations precedentes, on trouve les valeurs :
{ Pour les neurones de sortie :
@E = y = y y (1 ; y ) (y ; u )
@w(i; j ) i j i j j j j
{ Pour les neurones caches :

@E = y = y y (1 ; y ) X w(j; k)
@w(i; j ) i j i j j
k2dest(j )
k
Finalement, pour modier w(i; j ), il faut lui additionner une quantite dans la direction
opposee au gradient :
w(i; j ) = ; @w@E
(i; j ) = ; yi j
ou , compris entre 0 et 1 est le pas de deplacement, aussi appele le taux d'apprentissage.
18.4 Estimation d'une densite de probabilite en un point

Soit une distribution de probabilites de densite p dans IRd . La probabilite P qu'un vecteur
x tire selon cette distribution se trouve a l'interieur d'une region fermee R vaut :
Z
P= p(y)dy (18.20)
R
Soient fx1 ; x2 ; :::; xm g m points tires independamment selon p. La probabilite que k d'entre
eux se trouvent a l'interieur de la region est donnee par :
P (k) = Cmk P k (1 ; P )k
et l'esperance mathematique de cette variable P (k) vaut :
E (P (k)) = mP
Par consequent, E (P (k)) est une estimation de la probabilite de l'evenement : (( parmi les
m points, k sont dans la region R )). On peut montrer que c'est un bon estimateur, dans la
mesure ou sa variance diminue rapidement avec l'augmentation de m. On peut donc ecrire, pour
m assez grand :
P k=N (18.21)
En supposant p continue dans la region R et celle-ci assez petite pour que p n'y varie presque
pas, on a d'autre part, en notant V le volume de la region R :
Z
p(y)dy p(x)V (18.22)
R
Les equations precedentes menent a :
p(x) VP k=m
V
En pratique, pour assurer la qualite des approximations, on fait dependre la region R du
nombre de points m : on la note maintenant Rm et son volume Vm ; elle inclut km points parmi
les m. On a donc l'estimation suivante :
p(x) Pm (x) = kmV=m
m
Pour que Pm (x) converge vers p(x), il faut :
{ assurer que l'approximation de l'equation 18.22 soit valide, donc avoir :
lim V = 0
m!1 m
{ assurer que celle 18.21 le soit aussi, donc avoir :
lim k = 1
m!1 m
{ enn, pour que p(x) reste a une valeur nie :
lim km = 0
m!1 m
18.5 L'estimation des parametres d'une distribution gaussienne

On se place ici, pour eviter des formules fastidieuses, dans un espace monodimensionnel. Une
distribution gaussienne depend alors seulement de deux parametres scalaires : sa moyenne et
sa variance . La variable x est aussi un scalaire, c'est pourquoi elle n'est pas notee ici comme
un vecteur x. Elle s'ecrit :
N (x; ; ) = ( p21 )exp((;1=2)( x ; )2
ou :
Log(N (x; ; )) = ;Log() ; Log(2) ; (x 2;2)
2
L'estimateur au maximum de vraisemblance suppose que tous les echantillons d'apprentissage

S = fx1 ; x2 ; :::; xm g sont tires independamment. On cherche donc dans l'ensemble des distribu-
tions gaussiennes de parametres et celle qui maximise le produit de ses valeurs sur les points
d'apprentissage.
Ceci est equivalent a trouver les parametres pour lesquels l'expression :
X
m
T (; ; m) = Log(N (xk ; ; ))
k=1
est maximale.
On est donc amene a chercher les valeurs et telles que :
@ T (m; ; m) = 0
@
@ T (; ; m) = 0
@
d'ou :
X
m
xk ;
k=1 2 = 0
X
m
xk ;
;m= + 2 = 0
k=1
Finalement, la solution au probleme de l'estimation au maximum de vraisemblance est
donnee par les valeurs suivantes :
1 X
m
b = m xk
k=1
et :
X
m
1
b = m (xk ; b)
k=1
En revenant au cas general multiclasse en dimension d, il faut estimer au maximum de vrai-
semblance pour chaque classe de numero i un vecteur moyenne i et une matrice de covariance
Qi ; on retrouverait, en developpant des calculs analogues, les formules :
1 X
mi
ci = m xk i k=1
et :
ci = 1 X
mi
Q m (xk ; ci )(xk ; ci )T
i k=1
18.6 Pourquoi et comment la regle du PPV converge-t-elle?

18.6.1 Pourquoi?
Soit S = fx1 ; x2 ; :::; xm g l'echantillon d'apprentissage, x le point dont on cherche la classe
par la regle du 1 ; ppv et x0 le point de X le plus proche de x. Notons B (x; ) la sphere de
rayon centree en x.
La probabilite qu'un point de S se trouve dans B (x; ) vaut :
Z
P () = p(x)dx (18.23)
B(x;)
La probabilite qu'aucun point de l'ensemble d'apprentissage S ne se trouve dans B (x; ) est egale
a (1 ; P ())m qui tend vers zero quand m augmente. Par consequent, x0 tend en probabilite
vers x, ce qui assure la convergence desiree.
18.6.2 Comment?
L'erreur moyenne realisee par la regle du 1 ; ppv peut se calculer en remarquant qu'en
attribuant a x la classe de x0 , on commet l'erreur :
X
d X
d
errppv = P [!(x) 6= !(x0)] = P [x 2 !i; x0 62 !i] = P (!i j x)[1 ; P (!i j x0)] (18.24)
i=1 i=1
Quand la taille m de l'ensemble d'apprentissage augmente, on a vu ci-dessus que x0 tend en
probabilite vers x, ce qui implique que P (!i j x0 ) tend vers P (!i j x). Par consequent :
Z X
d
lim errppv =
m!1
P (!i j x)[1 ; P (!i j x)]p(x)dx (18.25)
IRd i=1
Prenons le cas a deux classes (C = 2). Soit !1 (x) la classe que donnerait la decision
bayesienne et !2 (x) l'autre. L'erreur bayesienne vaut :
Z
err = err(!1) = p(!2(x) j x)p(x)dx (18.26)
IRd
L'erreur par la decision du 1 ; ppv, en vertu du calcul precedent, vaut pour C = 2 :
errppv = P (!1 j x)[1 ; P (!1 j x)] + P (!2 j x)[1 ; P (!2 j x)] (18.27)
d'ou :
errppv = 2P (!2 (x) j x)[1 ; P (!2 (x) j x)] 2P (!2 (x) j x) (18.28)
D'ou la formule dans le cas de deux classes :
lim errppv 2err
m!1
(18.29)
18.7 Le calcul de l'intervalle de conance de l'estimation de la

probabilite d'une regle de classication
E tant donnes un taux d'erreur reel RReel (h), et un echantillon de test de taille t, le nombre
d'erreurs terr mesure sur un echantillon T distribue de maniere i.i.d. (suivant la même distribu-
tion que l'echantillon d'apprentissage S ) suit une loi binomiale :
P (terr jRReel (h); t) = B(terr jRReel (h); t)
, terr ! (tt;! terr ) ! RReel(h)terr (1 ; RReel (h))(t;terr )
L'expression ci-dessus donne la probabilite que terr observations dans un echantillon de test
de taille t soient mal classees, etant donne que le taux d'erreur reel est RReel (h). En utilisant le
theoreme de Bayes, nous pouvons (( retourner )) cette equation pour obtenir ce qui nous interesse,
c'est-a-dire une estimation du taux d'erreur reel connaissant le nombre d'erreurs mesure sur T :
P (RReel(h)jterr ; t) = RPP(t(err jRReel (h); t)
terr jRReel (h); t)
En supposant que P (RReel (h); t) ne varie pas avec RReel (h) et que P (terr jRReel (h); t) suit une
distribution binomiale, nous avons une distribution bêta pour RReel (h) :
P (RReel (h)jterr ; t) = Be(RReel (h))jterr + 1; t ; terr + 1)
h)terr (1 ; RReel (h))(t;terr )
, R R RR(ehel)(terr
Reel (1 ; RReel (h))(t;terr ) dRReel (h)
ou Be (xj; ) = [;( + )=(;();( ))] x;1 (1 ; x);1 . Cette densite de probabilite a posteriori
fournit toute l'information qui peut être tiree de l'erreur mesuree RbReel (h). On utilise cependant
generalement un resume de cette information sous la forme d'intervalles de conance autour
d'une valeur estimee.
Si les echantillons d'apprentissage et de test aleatoires sont independants alors la precision
de l'estimation ne depend que du nombre t d'exemples de l'ensemble de test et de la valeur de
RbReel (h). Une approximation susante dans le cas ou t est assez grand (au dela de la centaine)
donne l'intervalle de conance de RbReel (h) a x% par la formule :
2 st 3
t err (1 ; terr )
4 err (x) t t 5
t t
La fonction (x) a en particulier les valeurs suivantes :

x 50 % 68 % 80 % 90 % 95 % 98 % 99 %
(x) 0.67 1.00 1.28 1.64 1.96 2.33 2.58
18.8 Pourquoi la regle de decision bayesienne est-elle optimale?

Appelons h la regle de decision bayesienne, celle qui aecte au point x la classe :
!(x) = ArgMax(P (!i j x))
Soit h0 la regle ideale de decision, aectant x a sa vraie classe h0 (x) et soit h une regle de
decision quelconque aectant x a la classe h(x). On cherche a montrer que l'erreur moyenne
err(h ) commise par h est inferieure ou egale a err(h), commise par h, soit :
Z Z
d
P (h (x) 6= h0 (x))p(x)dx P (h(x) 6= h0 (x))p(x)dx (18.30)
IR IRd
Or, pour toute regle h :
P (h(x) 6= h0 (x)) = 1 ; P (h(x) j x) (18.31)
donc :
Z
err(h) = 1 ; P (h(x) j x)p(x)dx (18.32)
IRd
De la denition de la regle h , on deduit immediatement :
8x 2 IRd; P (h (x) j x) P (h(x) j x) (18.33)
Par consequent, la valeur :
Z
err(h) ; err(h ) = 1 ; (P (h(x) j x) ; P (h(x) j x))p(x)dx (18.34)
IRd
est toujours positive ou nulle, ce qui etablit la relation cherchee.
18.9 Apprentissage par estimation-maximisation.
L'algorithme estimation-maximisation (EM) est une procedure generale pour apprendre la
valeur de parametres caches de certains processus probabilistes. C'est en particulier en l'utilisant
que les parametres des Hmm peuvent être appris (voir le chapitre 13). Mais cette procedure est
aussi utile dans l'apprentissage des reseaux bayesiens (chapitre 12) et dans la classication non
supervisee (chapitre 15). Nous allons le presenter ici sur un exemple simple, puis revenir sur son
application a l'apprentissage des Hmm et au melange de distributions gaussiennes.
18.9.1 Un exemple
Nous disposons de deux pieces de monnaie truquees A et B , avec des probabilites respectives
pA et pB de tomber sur Pile et 1 ; pA et 1 ; pB de tomber sur Face. Nous connaissons les
valeurs pA et pB . Nous demandons a un huissier de proceder en secret aux operations suivantes :

tirer un nombre au hasard entre 0 et 1 ;
repeter N fois les manipulations suivantes :
{ choisir la piece A avec la probabilite ou la piece B avec la probabilite (1 ; ),
{ lancer la piece choisie,
{ enregistrer le resultat du lancer : Pile ou Face.
Une fois l'aaire terminee, l'huissier nous communique la sequence des N valeurs Pile ou Face
qu'il a notees. Notre probleme est alors le suivant : estimer la valeur du parametre cache a
partir de la suite O = (O1 ; : : : ON ) de ces observations. Chaque observation Oi vaut donc Pile
ou Face.
Si nous savions quelle piece a ete utilisee a chaque lancer, nous pourrions estimer par la
valeur :
NA = Nombre de fois que la piece A a ete lancee
N N
Mais ce n'est pas le cas. Nous ne connaissons que le resultat des tirages. Nous pouvons cependant
calculer par une technique iterative, l'algorithme EM 2.
18.9.2 Application de l'algorithme EM a l'exemple
Initialisation
Donner une valeur arbitraire 0 strictement comprise entre 0 et 1.
E tape p
Estimation
On utilise les observations O pour calculer une estimation de NA .
On note :
{ p l'estimation courante de ,
{ PA (Oi ) la probabilite de l'evenement : (( A est sortie au tirage i )),
{ PB (Oi ) la probabilite de l'evenement : (( B est sortie au tirage i )),
{ Ep (A j O) l'estimation du nombre NA de tirages de la piece A.
Cette derniere valeur peut se calculer en fonction des trois precedentes par l'expression :
iX
=N
Ep (A j O) = pPA (Oi )
i=1 pPA (Oi ) + (1 ; p)PB (Oi )
2. E pour Estimation (ou en anglais Expectation), M pour Maximisation.
Mais les valeurs PA (Oi ) et PB (Oi ) sont inconnues. C'est le centre de l'algorithme que de
savoir les estimer.
Maximisation
On calcule une nouvelle estimation de :
p+1 = Ep(AN j O)
Test d'arrêt
p+1 p
Pour resoudre le probleme, il faut donc determiner les valeurs PA (Oi ) et PB (Oi ). On utilise pour
cela la notion de statistique susante.
18.9.3 Statistique susante

Pour notre exemple, l'ordre dans lesquels les Oi sont apparus dans l'ensemble des observations
O n'a pas d'importance : le nombre P d'observations Pile dans O sut. On dit qu'il s'agit d'une
statistique susante pour estimer le parametre cache . Cette observation permet de calculer
explicitement Ep(A j O) de la facon suivante.
On decompose d'abord la formule precedente sur les tirages ayant donne Pile et ceux ayant
donne Face, en nombres respectifs P et F .
X
P pPA(Pile)
Ep (A j O ) =
i=1 p PA (Pile) + (1 ; p )PB (Pile)
XF
+ P (Face)p+ PA (Face)
(1 ; p )PB (Face)
i=1 p A
En utilisant maintenant le fait que les tirages sont independants :

X
P ppA X
F ppA
Ep (A j O) = +
i=1 p pA + (1 ; p)pB i=1 p pA + (1 ; p)pB
= P p +(1p pA + F ppA
; p)pB ppA + (1 ; p)pB
p A
On a donc maintenant une formule pour calculer Ep (A j O) en fonction de p et de valeurs

connues.
18.9.4 Plus generalement
On demontre que l'algorithme EM decrit en 18.1 fait cro^tre la vraisemblance de p vis-a-vis
des donnees. Par consequent, il converge vers un optimum local.
18.9.5 Retour sur l'exemple
Prenons pA = 0:2 et pB = 0:6. L'huissier eectue N = 100 tirages et fournit une serie O
d'observations comportant P = 50 Pile et F = 50 Face. Quelle est la valeur de que produit
l'algorithme EM ?
Algorithme 18.1 Estimation-maximisation
Denir une statistique susante pour estimer l'ensemble des parametres caches
Initialiser
p 1
tant que p 6= p+1 faire
ESTIMATION
Utiliser les observations pour calculer la statistique susante de p
MAXIMISATION
Calculer p+1 comme une estimation au maximum de vraisemblance de a partir des
resultats de l'etape p d'estimation
p p+1
n tant que
La recurrence de base est la suivante, en regroupant les deux phases en une seule :
p+1 = P +1 F (P p +(1pp; A + F p(1 ; pA )
p A p)pB p(1 ; pA) + (1 ; p)(1 ; pB ) )
D'ou, pour deux initialisations de :
0 0:800 0:100
1 0:730 0:109
2 0:659 0:118
3 0:593 0:127
4 0:536 0:135
5 0:488 0:144
10 0:351 0:183
20 0:273 0:228
30 0:256 0:243
40 0:252 0:248
50 0:250 0:249
60 0:250 0:250
Ce resultat est conforme a l'intuition: il faut que l'huissier ait tire en moyenne quatre fois
plus souvent la piece B que la piece A pour avoir retabli l'equilibre entre le nombre de Pile et
celui de Face.
Il se trouve que dans cet exemple tres simple, on peut en realite estimer directement car
la proportion de Pile est en eet une estimation de :
pA + (1 ; pB )
Dans notre application numerique :
1=2 = 0:2 + (1 ; ) 0:6
d'ou :
= 0:25
18.9.6 L'apprentissage des parametres des Hmm

Les formules de reestimation des parametres de modeles de Markov caches donnes au cha-
pitre 13, bien que beaucoup plus compliquees en apparence, ne sont pas fondamentalement
dierentes de celles presentees ci-dessus.
Prenons le cas de la reestimation d'une probabilite de transition, donnee par la formule 3 :
X
N jOX
k j;1
tk (i; j )
aij = k=1N jtO=1k j;1
XX
tk (i)
k=1 t=1
avec :
tk (i; j ) la probabilite, etant donnes une phrase Ok et un Hmm , que ce soit l'etat si qui
ait emis la lettre de rang t de Ok et l'etat sj qui ait emis celle de rang t + 1
tk (i) la probabilite que la lettre de rang t de la phrase Ok ait ete emise par l'etat sj .
aij , la valeur reestimee de aij , est une composante du parametre cache = (A; B; ) qui denit
le Hmm cherche. Elle est calculee par un comptage sur la base d'apprentissage O ; ce comptage
calcule une statistique susante pour estimer la probabilite qu'est reellement aij . En eet, aij
compte la proportion des transitions empruntees entre si et sj parmi toutes celles qui quittent
si , dans l'emission de chaque phrase Ok de O.
La normalisation assure que sur leur ensemble, les aij somment a 1.
De la sorte, l'algorithme EM reestime tous les parametres caches du Hmm cherche. Comme
les formules de reestimation sont conformes aux hypotheses, la convergence vers un optimum
(eventuellement local) est assuree.
18.9.7 L'apprentissage des parametres de distributions multigaussiennes
On dispose d'une collection S = fx1 ; :::; xm g d'exemples, qui sont des vecteurs de IRd . On
fait l'hypothese que ces vecteurs sont des tirages aleatoires d'un melange de k distributions
gaussiennes N1 ,...,Nk . On cherche a estimer les parametres de chaque distribution, ainsi que la
facon dont elle sont melangees.
Le tirage d'un exemple pourrait se decrire ainsi : d'abord, choisir aleatoirement une des k
distributions. Ensuite, tirer l'exemple selon cette distribution. Par consequent, pour denir le
melange, il sut de se donner les k valeurs qui sont les probabilites que l'une des k distributions
soit tiree.
Un exemple xi doit donc se decrire de maniere plus complete par :
yi = (xi ; z i1; :::; z ik )
ou :
xi est le vecteur observe,
pour j = 1; k, zij vaut 1 si xi a ete genere par Ni. Les valeurs zij sont cachees a l'obser-
vateur.
3. On se reportera au chapitre 13 pour le detail des notations.
Pour simplier, nous prenons d = 1. Nous supposons aussi que les k distributions, de
moyennes 1 , ..., k , ont la même variance . La methode se generalise sans trop de dicultes a
d quelconque et a des matrices de covariances dierentes pour chaque gaussienne. L'algorithme
EM s'applique comme decrit en 18.2. Il a pour resultat le vecteur h = (1 ; :::; k ) et les estima-
tions des valeurs z i1 , z ik . Ces dernieres quantites sont donc les probabilites avec lesquelles on
tire les gaussiennes Nj , pour j = 1; k.
Algorithme 18.2 Melange de k gaussiennes
Initialiser aleatoirement h = (1 ; :::; k )
tant que le processus n'a pas converge faire
Estimation
Calculer les estimations E (z i1 ) de z i1 , ... E (z ik ) de z ik en supposant que l'hypothese cou-
rante sur h est la bonne :

pour j = 1; k faire
E (z ij ) Pkp(xp=(xx=i jx j==j ) )
n=1 i n
Donc :
e; 22 (xi ;j )
1 2
E (z ij ) Pk e; 212 (xi ;n )2

n=1
n pour
Maximisation
Calculer une nouvelle estimation de h = (1 ; :::; k ) en supposant que z ij est egale a E (z ij )
pour j = 1; k faire
PN E (z )x
j Pi=1N E (zij ) i
i=1 ij
n pour
n tant que
570
PARTIE 5 : Approfondissements et annexes techniques
Bibliographie generale
[AB92] M. Anthony and N. Biggs. Computational Learning Theory. Cambridge University Press,
1992.
[BB82] D. Ballard and C. Brown. Computer Vision. Prentice-Hall, 1982.

[BB92] A. Belad and Y. Belad. Reconnaissance des formes. InterEditions, 1992.
[BFOS84] L. Breiman, J. Friedman, R. Olshen, and C. Stone. Classication and Regression Trees.
Wadsworth Inc., 1984.
[Bis95] C. Bishop. Neural networks for pattern recognition. Oxford University Press, 1995.
[BN99] A. Becker and P. Nam. Les reseaux bayesiens : modeles graphiques de la connaissance.
Eyrolles, 1999.
[BNKF98] W. Banzhaf, P. Nordin, R. Keller, and F. Francone. Genetic Programming: An introduction.
Morgan Kaufmann, 1998.
[CL96] G. Caraux and Y. Lechevallier. Regles de decision de Bayes et methodes statistiques de
discrimination. Revue d'Intelligence Articielle, 10(2-3):219{283, 1996.
[CM98] V. Cherkassky and F. Mulier. Learning from data. Concepts, theory and methods. Wiley
Interscience, 1998.
[CST00] N. Cristianini and J. Shawe-Taylor. Support vector machines and other kernel-based learning
methods. Cambridge University Press, 2000.
[CT91] T. Cover and A. Thomas. Elements of Information Theory. Wiley, 1991.
[DH73] R. Duda and P. Hart. Pattern Classication and Scene Analysis. Wiley, 1973.
[DHS01] R. Duda, P. Hart, and D. Stork. Pattern classication. Wiley, 2001.
[DKBM00] E. Diday, Y. Kodrato, P. Brito, and M. Moulet, editors. Induction symbolique numerique a
partir de donnees. Cepadues, 2000.
[DMS+ 02] G. Dreyfus, J. Martinez, M. Samuelides, M. Gordon, F. Badran, S. Thiria, and L. Herault.
Reseaux de neurones. Eyrolles, 2002.
[Dup94] J-P. Dupuy. Aux origines des sciences cognitives. E ditions de la Decouverte, 1994.
[EdB01] A. Engel and C. Van den Broeck. Statistical mechanics of learning. Cambridge University
Press, 2001.
[Fle80] R. Fletcher. Practical methods of optimization. Wiley, 1980.
[Fog98] L. Fogel, editor. Evolutionary computation: towards a new philosophy of machine intelligence.
IEEE Press, 1998.
[Fre98] B. Frey. Graphical Models for Machine Learning and Digital Communications. Bradford
Book, The MIT Press, 1998.
[Gol89] D. Goldberg. Genetic Algorithm in Search, Optimization and Machine Learning. Addison-
Wesley, 1989.
[Hay99] S. Haykin. Neural networks : A comprehensive foundation. Prentice Hall, 1999.
[Hou91] J. Houston. Fundamentals of Learning and Memory. Harcourt Brace Jovanovich, 1991.
Fourth Edition.
[HTF02] S. Hastie, T. Tibshirani, and J. Friedman. The elements of statistical learning. Springer
Verlag, 2002.
[JD88] A. Jain and R. Dubes. Algorithms for Clustering Data. Prentice-Hall, 1988.
572
[Kod86] Y. Kodrato. Lecons d'apprentissage symbolique automatique. Cepadues, 1986.
[KV94] M. Kearns and U. Vazirani. An introduction to computational learning theory. MIT Press,
1994.
[Lan96] P. Langley. Elements of Machine Learning. Morgan Kaufmann, 1996.
[MCM83] R. Michalski, J. Carbonnel, and T. Mitchell. Machine Learning, An Articial Intelligence
Approach, volume 1. Tioga, 1983.
[MCM86] R. Michalski, J. Carbonnel, and T. Mitchell. Machine Learning, An Articial Intelligence
Approach, volume 2. Morgan-Kaufmann, 1986.
[Mic84] L. Miclet. Methodes structurelles pour la reconnaissance des formes. Eyrolles, 1984.
[Mil93] M. Milgram. Reconnaissance des formes. Armand Colin, 1993.
[Mit96] M. Mitchell. An introduction to genetic algorithms. MIT Press, 1996.
[Mit97] T. Mitchell. Machine Learning. McGraw Hill, 1997.
[MK89] R. Michalski and Y. Kodrato. Machine Learning, An Articial Intelligence Approach, vo-
lume 3. Morgan-Kaufmann, 1989.
[Nic93] J. Nicolas, editor. Support de cours de l'Ecole CNRS sur l'Apprentissage Automatique, 1993.
St Raphael, 26-27 Mars 1993. Contributions de : O. Gascuel, L. Miclet, J. Nicolas, J. Quin-
queton, C. Rouveirol et C. Vrain. Disponible a l'IRISA aupres de J. Nicolas.
[Nil98] N. Nilsson. Articial Intelligence : a new synthesis. Morgan-Kaufmann, 1998.
[NS93] A. Nerode and R. Shore. Logic for Applications. Springer-Verlag, 1993.
[Pea88] J. Pearl. Probabilistic reasoning in intelligent systems. Morgan-Kaufmann, 1988.
[Pea00] J. Pearl. Causality : Models, Reasoning and Inference. Cambridge University Press, 2000.
[RN95] S. Russel and P. Norvig. Articial Intelligence : a modern approach. Prentice-Hall, 1995.
[SB98] R. Sutton and A. Barto. Reinforcement Learning : an introduction. MIT Press, 1998.
[Sch92] R. Schalko. Pattern Recognition. Wiley, 1992.
[SD90] J. Shavlik and T. Dietterich. Readings in Machine Learning. Morgan Kaufmann, 1990.
[Sim85] J.-C. Simon. La reconnaissance des formes par algorithmes. Masson, 1985.
[Vap98] V. Vapnik. Statistical learning theory. Wiley-InterScience, 1998.
[Web99] A. Webb. Statistical pattern recognition. Arnold, 1999.
[WF99] I. Witten and E. Frank. Date Mining : Practical Machine Learning Tools and Techniques.
[WK91] S. Weiss and C. Kulikowski. Computer Systems That Learn. Morgan Kaufmann, 1991.
Bibliographie 573
Liste complete des references citees
[AB89] J. Anlauf and M. Biehl. The adatron : an adaptive perceptron algorithm. Europhysics
letters, 10:687{692, 1989.
[AB96] M. Anthony and P. Bartlett. Neural network learning : theoretical foundations. Cambridge
University Press, 1996.
[Aha97] D. Aha, editor. Lazy learning. Kluwer, 1997.
[Alb75] J. Albus. A new approach to manipulator control : Cerebellar model articulation controller
(CMAC). Journal of Dynamic Systems, Measurement and Control, 97:220{227, 1975.
[Alb78] A. Albert. Quelques apports nouveaux a l'analyse discriminante. PhD thesis, Faculte des
sciences, Universite de Liege, 1978.
[Alb81] J. Albus. Brains, Behavior and Robotics. BYTE Books, McGraw-Hill, 1981.
[AM97] N. Abe and H. Mamitsuka. Predicting protein secondary structure using stochastic tree
grammars. Machine Learning, 29:275{301, 1997.

[Ama68] S. Amarel. On representation of problems of reasoning about actions, volume 3, pages 131{
171. Edingburgh University Press, 1968. Reprinted in Webber, B. and Nilsson, N. (eds.),
Readings in articial intelligence, Tioga, 1981, pp.2-22.
[AMN94] H. Ahonen, H. Mannila, and E. Nikunen. Forming grammars for structured documents: An
application of grammatical inference. In Second International Colloquium on Grammatical
Inference and Applications, ICGI'94, volume 862 of Lecture Notes in Articial Intelligence.
Springer Verlag, 1994.
[AMS+ 95] R. Agrawal, H. Mannila, R. Srikant, H. Toivonen, and A. Verkamo. Fast discovery of
association rules. AAAI/MIT Press, 1995.
[And82] J. Anderson. Logistic discrimination. In Handbook of statistics, Vol.2, Classication, pattern
recognition and reduction of dimensionality, chapter 7, pages 169{191. North-Holland, 1982.
[And92] D. Andler, editor. Introduction aux sciences cognitives. Folio. Essais, 1992.
[Ang78b] D. Angluin. On the complexity of minimum inference of regular sets. Information and
Control, 29(3):741{765, 1978.
[Ang82a] D. Angluin. Inference of reversible langages. Communications of the ACM, 29:741{765,
1982.
[Ang88] D. Angluin. Queries and concept learning. Machine Learning journal, 2:319{342, 1988.
[Ang98] E. Angel. La rugosite des paysages : une theorie pour la diculte des problemes d'op-
timisation combinatoire relativement aux meta-heuristiques. PhD thesis, Laboratoire de
Recherche en Informatique (LRI) de l'universite Paris-Orsay, 1998.
[AP93] P. Angeline and J. Pollack. Competitive environments evolve better solutions for complex
tasks. In S. Forrest, editor, Proc. of the 5th Int. Conf. on Genetic Algorithms, ICGA-93,
pages 264{270. Morgan-Kaufmann, 1993.
[AU72] A. Aho and J. Ullman. The theory of Parsing, Translation and Compiling, Vol 1 : Parsing.
Prentice-Hall, 1972.
[AW01] K. Azoury and M. Warmuth. Relative loss bounds for on-line density estimation with the
exponential family of distributions. Machine Learning journal, 43:211{246, 2001.
[Axe97] R. Axelrod, editor. The complexity of cooperation. Princeton University Press, 1997.
[BA97] L. Brelow and D. Aha. Simplifying decision trees : a survey. The Knowledge Engineering
Review, 12(1):1{40, 1997.
[Bak75] J. Baker. Stochastic modeling for automatic speech understanding. In R. Reddy, editor,
Speech Recognition, pages 512{542. Academic Press, New York, 1975.
[Bar91] A. Barron. Complexity regularization with applications to articial neural networks, chapter
Nonparametric functional estimation and related topics, pages 561{576. Kluwer, 1991.
[Bau72] L. Baum. An inequality and associated maximization technique in statistical estimation
for probabilistic functions of Markov processes. Inequalities, 3:1{8, 1972.
[Bau89] E. Baum. A proposal for more powerful learning algorithms. Neural Computation, 1:201{
207, 1989.
574
[Bax00] J. Baxter. Reinforcement learning in pomdp's via direct gradient ascent. In 17th Inter-
national Conference on Machine Learning (ICML'2000), pages 41{48. Morgan Kaufmann,
2000.
[BB01] P. Baldi and S. Brunak. Bioinformatics : the machine learning approach. MIT Press, 2001.
[BBM96] A. Barron, L. Birge, and P. Massart. Risk bounds for model selection via penalization.
Probability Theory Related Fields, 1996.
[BC91] A. Barron and T. Cover. Minimum complexity density estimation. IEEE Transactions on
Information Theory, 37:1034{1054, 1991.
[BC97] A. Brazma and K. Cerans. Noise-tolerant ecient inductive synthesis of regular expressions
from good examples. New Generation Computing, 1997.
[BEHW89] A. Blumer, A. Ehrenfeucht, D. Haussler, and M. Warmuth. Learnability and the Vapnik-
Chervonenkis dimension. Journal of the Association of Computer Machinery, 36:929{965,
1989.
[Bel61] R. Bellman. Adaptive Control Processes : A guided tour. Princeton University Press, 1961.
[Ber00] M. Bernard. Induction de programmes logiques. Laboratoire EURISE, Universite de St-
Etienne, 2000.
[BF72a] A. Biermann and J. Feldman. On the synthesis of nite-state machines from samples of
their behaviour. IEEE Transactions on Computers, C-21:592{597, 1972.
[BF85] D. Berry and B. Fristedt. Bandit problems : sequential allocation of experiments. Chapman
and Hall, London, UK, 1985.
[BGH89] L. Booker, D. Goldberg, and J. Holland. Classifer systems and genetic algorithms. Articial
Intelligence journal, 40:235{282, 1989.
[Bir67] B Birkhof. Lattice Theory. American Mathematical Society, 1967.
[BKL00] A. Barberousse, M. Kistler, and P. Ludwig. La philosophie des sciences au XXeme siecle.
Flammarion. Champs Universite, 2000.
[Blu97] A. Blum. On-line algorithms in machine learning. Technical report, 1997.
[BM94] B. Bouchon-Meunier. La logique oue. Presses Universitaires de France (collection Que
sais-je?, 1994.
[BM95a] J. Boyan and A. Moore. Generalization in reinforcement learning : Safely approximating
the value function. In Advances in Neural Information Processing Systems, chapter 7. MIT
Press, 1995.
[BM95b] I. Bratko and S. Muggleton. Applications of Inductive Logic Programming. Communica-
tions of the ACM, 38(11):65{70, 1995.
[BM98] A. Blum and T. Mitchell. Combining labeled and unlabeled data with co-training. In Proc.
of the 11th Annual Conf. on Computational Learning Theory, COLT'98, pages 92{100.
[BM99] L. Baird and A. Moore. Gradient descent for general reinforcement learning, volume 11.
MIT Press, 1999.
[BPS94] A. Borgida and P. Patel-Schneider. Complete algorithm for subsomption in the classic
description logic. Articial Intelligence Research, 1:278{308, 1994.
[BS97] A. Belad and G. Saon. Utilisation des processus markoviens en reconnaissance de l'ecriture.
Revue Traitement du Signal, 14,2:161{177, 1997.
[BSS92] M. Bazaraa, D. Sherali, and C. Shetty, editors. Non linear programming : Theory and
algorithms. Wiley-Interscience, 1992.
[BT96] D. Bertsekas and J. Tsitsiklis. Neuro-dynamic programming. Athena Scientic, 1996.
[BTC96] A. Brunie-Taton and A. Cornuejols. Classication en programmation genetique. In Journees
Francophones d'Apprentissage (JFA-96), pages 303{316, 1996.
[BTW00] J. Baxter, A. Tridgell, and L. Weaver. Learning to play chess using temporal-dierences.
Machine Learning Journal, 40 (3):243{263, 2000.
[BU92] C. Brodley and P. Utgo. Mulltivariate decision trees. Technical report, COINS, Departe-
ment of Computer Science, University of Massachussets., Amherst, USA, December 1992.
Bibliographie 575
[Bun88] W. Buntine. Generalized subsumption and its application to induction and redundancy.
Articial Intelligence, 36:149{176, 1988.
[Car97] R. Carrasco. Accurate computation of the relative entropy beetween stochastics regulars
grammars. http://www.dlsi.ua.es/ carrasco/rcc.html, 1997.
[CAVR98] P. Cruz-Alcazar and E. Vidal-Ruiz. Learning regular grammars to model musical style:
Comparing dierent coding schemes. In V. Honavar and G. Slutzki, editors, Grammatical
Inference, ICGI'98, volume 1433 of Lecture Notes in Articial Intelligence, pages 211{222.
Springer Verlag, 1998.
[CBFH 97] N. Cesa-Bianchi, Y. Freund, D. Haussler, R. Shapire, and M. Warmuth. How to use expert
+
advice. Journal of American Computing Machines, 44(3):427{485, 1997.
[CBL01] N. Cesa-Bianchi and G. Lugosi. Worst-case bounds for the logarithmic loss of predictors.
Machine Learning journal, 43:247{264, 2001.
[Cel89] G. Celeux. Classication automatique des donnees. Dunod, 1989.
[Cer85] V. Cerny. A thermodynamical approach to the traveling salesman problem : an ecient

simulation algorithm. Journal of Optimization Theory and Applications, 45:41{51, 1985.
[Cer95] R. Cerf. An asymtotic theory for genetic algorithms. In Alliot, Lutton, Ronald, Schoenauer,
and Snyers, editors, Proceedings of the European Conference on Articial Evolution (AE95),
pages 37{53. Springer Verlag, LNCS-1063, 1995.
[CGH96] I. Charon, A. Germa, and O. Hudry. Methodes d'optimisation combinatoire. Masson, 1996.
[CGV94] A. Castellanos, I. Galiano, and E. Vidal. Application of OSTIA to machine translation
tasks. In Grammatical Inference and Applications, ICGI'94, number 862 in Lecture Notes
in Articial Intelligence, pages 93{105. Springer Verlag, 1994.
[CH67] T. Cover and P. Hart. Nearest neighbour pattern classication. IEEE Transactions on
Information Theory, 13(1), 1967.
[Che01] Y. Chevaleyre. Apprentissage de regles a partir de donnees multi-instances. PhD thesis,
Laboratoire d'informatique de Paris 6, 2001.
[CM57a] N. Chomsky and G. Miller. Pattern conception. Technical report, ASTIA Document N°
AD110076, 1957. Report N° AFCRC-TN-57-57.
[CM99] J. Chodorowski and L. Miclet. Apprentissage et evaluation de modeles de langage par
des techniques de correction d'erreurs. In Actes de la 6eme conference annuelle sur le
Traitement Automatique des Langues Naturelles, pages 253{262, 1999.
[CO94] R. Carrasco and J. Oncina. Learning stochastic regular grammars by means of a state mer-
ging method. ICGI'94, Lecture Notes in Articial Intelligence 862:139{152, 1994. Subseries
of Lectures Notes in Computer Science.
[Cor96] A. Cornuejols. Analogie, principe d'economie et complexite algorithmique. In Journees
Francophones d'Apprentissage (JFA-96), pages 233{247, 1996.
[Cov91] T. Cover. Universal portfolios. Mathematical Finance, 1(1):1{29, 1991.
[CR71] S. Crespi-Reghizzi. An eective model for grammatical inference. Proceedings of the IFIP
Congress, pages 524{529, 1971. North-Holland.
[Cra85] N. Cramer. A representation for the adaptative generation of simple sequential programs.
In Proceedings of the International Conference on Genetic Algorithms and the Applications,
pages 183{187. Carnegie-Mellon University, Pittsburgh, PA, 1985.
[Cre97] D. Crevier. A la recherche de l'intelligence articielle. Flammarion. Champs, 1997.
[CTC00] A. Cornuejols, A. Tiberghien, and G. Collet. A new mechanism for transfer between concep-
tual domains in scientic discovery and education. Foundations of Science, 5(2):129{155,
2000.
[Dar59] C. Darwin. On the origin of species. London: Murray, 1859.
[Das90] B. Dasarathy, editor. Nearest neighbor (NN) norms : NN Pattern Classication Techniques.
IEEE Computer Society Press, 1990.
[DB93] L. De Raedt and M. Bruynooghe. A theory of clausal discovery. In Proceedings of the 13th
International Joint Conference on Articial Intelligence. Morgan Kaufmann, 1993.
576
[DB95] T. Dietterich and G. Bakiri. Solving multiclass learning problems via error-correcting output
codes. Journal of Articial Intelligence Research, 2:263{286, 1995.
[DD97] L. De Raedt and L. Dehaspe. Clausal Discovery. Machine Learning, 26:99{146, 1997.
[DDG96] F. Denis, C. D'Halluin, and R. Gilleron. PAC learning with simple examples. In 13th Sym-
posium on Theoretical Aspects of Computer Science, STACS'96, Lecture Notes in Computer
Science, pages 231{242, 1996.
[De 92] L. De Raedt. Interactive Theory Revision: an Inductive Logic Programming Approach.
Academic Press, 1992.
[Del92] J-P. Delahaye. L'altruisme recompose ? Pour la Science, 181, 1992.
[DF97a] T. Dietterich and N. Flann. Explanation-based learning and reinforcement learning : a
unied view. Machine Learning journal, 28:169{210, 1997.
[DG97] F. Denis and R. Gilleron. PAC learning under helpful distributions. In Proceedings of the
congress on Algorithmic Learning Theory, ALT'97, 1997.
[DGL96] L. Devroye, L. Gyor, and G. Lugosi. A probabilistic theory of pattern recognition. Springer
Verlag, 1996.
[Die97] T. Dietterich. Statistical tests for comparing supervised classication learning algorithms.
http://www.cs.orst.edu/ tgd/projects/supervised.html, 1997.
[Die00] T. Dietterich. Hierarchical reinforcement learning with the maxq value function decompo-
sition. Journal of Articial Intelligence Research, 13:227{303, 2000.
[DK82] P. Devijver and J. Kittler. Pattern Recognition : a statistical approach. Prentice-Hall, 1982.
[DLLP97] T. Dietterich, R. Lathrop, and T. Lozano-Perez. Solving the multi-instance problem with
axis-parallel rectangles. Articial Intelligence journal, 89:31{71, 1997.
[DM92] B. Dolsak and S. Muggleton. The application of inductive logic programming to nite
element mesh design. In S. Muggleton, editor, Inductive Logic Programming. Academic
Press, 1992.
[DM98] P. Dupont and L. Miclet. Inference grammaticale reguliere: fondements theoriques et prin-
cipaux algorithmes. Technical report, INRIA N o 3449, 1998.
[DMV94] P. Dupont, L. Miclet, and E. Vidal. What is the search space of the regular inference? In
Grammatical inference and applications, Second International Colloquium on Grammatical
Inference, ICGI'94, volume 862 of Lecture Notes in Articial Intelligence, pages 25{37.
Springer-Verlag, 1994.
[DP97] P. Domingos and M. Pazzani. On the optimality of the simple bayesian classier under
zero-one loss. Machine Learning journal, 29:103{130, 1997.
[Dup96] P. Dupont. Utilisation et apprentissage de modeles de langages pour la reconnaissance de
la parole continue. PhD thesis, ENST, 1996.
[DVD96] L. Dehaspe, W. Van Laer, and L. De Raedt. Claudien the discovery engine user's guide
3.0. Technical Report CW 239, K.U. Leuven, September 1996.
[Dze93] S. Dzeroski. Handling imperfect data in Inductive Logic Programming. In Proceedings of
Fourth Scandinavian Conference on Articial Intelligence, pages 111{125. IOS Press, 1993.
[EdB01] A. Engel and C. Van den Broeck. Statistical mechanics of learning. Cambridge University
Press, 2001.
[EH81] B. Everitt and D. Hand. Finite mixture distributions. Chapman and Hall, 1981.
[EMS97] F. Esposito, D. Malerba, and G. Semeraro. A comparative analysis of methods for pruning
decision trees. IEEE Trans. on Patterni Analysis and Machine Intelligence, 19(5):476{493,
1997.
[Eng96] P. Engel. Philosophie et psychologie. Folio. Essais, 1996.
[FG94] D. Foster and E. George. The risk in ation criterion for regression. Annals of statistics,
pages 1947{1975, 1994.
[FL94] W. Furman and B. Lindsay. Testing for the number of components in a mixture of nor-
mal distributions using moment estimators. Computational Statistics and Data Analysis,
17:473{492, 1994.
Bibliographie 577
[Fle88] R. Fletcher, editor. Practical methods of optimization. Wiley, 1988.
[FN71] R. Fikes and N. Nilsson. Strips: A new approach to the application of theorem proving to
problem solving. Articial Intelligence journal, 2:189{208, 1971.
[FN72] R. Fikes and N. Nilsson. Learning and executing generalized robot plans. Articial Intel-
ligence journal, 3:251{288, 1972.
[Fog99] L. Fogel. Intelligence through simulated evolution, forty years of evolutionnary programming.
Wiley, 1999.
[FOW66] L. Fogel, A. Owens, and M. Walsh. Articial intelligence through simulated evolution. Wiley,
1966.
[Fre99] Y. Freund. An adaptive version of the boost by majority algorithm. In Proc. of the
12th Annual Conf. on Computational Learning Theory, COLT'99, pages 102{113. Morgan
Kaufmann, 1999.
[FS97] Y. Freund and R. Shapire. A decicion-theoretic generalization of on-line learning and an
application to boosting. Journal of Computer and Systems Sciences, 55(1):325{332, 1997.

[FS99] Y. Freund and R. Shapire. A short introduction to boosting. Journal of Japanese Society
for Articial Intelligence, 14(5):771{780, 1999.
[FT98] G. Fauconnier and M. Turner. Conceptual integration networks. Cognitive Science,
22(2):133{187, 1998.
[Fu74] K. Fu. Syntactic Methods in Pattern Recognition. Academic Press, 1974.
[Gan93] J-G. Ganascia. Tdis : an algebraic formalization. In International Joint Conference on
Articial Intelligence (IJCAI-93), pages 1008{1013, 1993.
[Gar88] E. Gardner. The space of interactions in neural network models. Journal of Physics,
A21:257{270, 1988.
[GBD92] S. Geman, E. Bienenstock, and R. Doursat. Neural networks and the biais/variance di-
lemma. Neural Computation, 4:1{58, 1992.
[Gin38] C.W. Gini. Variabilita e mutabilita, contributo allo studio delle distribuzioni e relazioni
statische. Technical report, Studi Economici-Giuridici, Universita di Cagliari, 1938.
[Gio93] J-Y. Giordano. Espace des versions et inference de grammaires algebriques. In Journees
Apprentissage, Validation et Acquisition, 1993. Saint Raphael, France.
[Gir00] G. Giraud, editor. La theorie des jeux. Flammarion. Champs Universite, 2000.
[GJP95] F. Girosi, M. Jones, and T. Poggio. Regularization theory and neural networks architectures.
Neural Computation, 7:219{269, 1995.
[GK95] S. Goldman and M. Kearns. On the complexity of teaching. Journal of Computer and
System Sciences, 50:20{31, 1995.
[Glo86] F. Glover. Future paths for integer programming and links to articial intelligence. Com-
puters and Operations Research, 13:533{549, 1986.
[Glo89a] F. Glover. Tabu search part.1. ORSA Journal on Computing, 1(3):190{206, 1989.
[Glo89b] F. Glover. Tabu search part.2. ORSA Journal on Computing, 2(1):4{32, 1989.
[GN88] M. Genesereth and N. Nilsson. Logical Foundations of Articial Intelligence. Morgan
Kaufmann, 1988.
[Gol67b] E. Gold. Language identication in the limit. Information and Control, 10:447{474, 1967.
[Gol78b] M. Gold. Complexity of automaton identication from given data. Information and Control,
37:302{320, 1978.
[Gol96] R. Golden. Mathematical methods for neural network analysis and design. MIT Press, 1996.
[Gre94a] J. Gregor. Data-driven inductive inference of nite-state automata. IJPRAI, 8,1:305{322,
1994.
[GS00] A. Giordana and L. Saitta. Phase transitions in relational learning. Machine Learning
journal, 41:217{251, 2000.
[GT78] R. Gonzales and M. Thomason. Syntactic Pattern Recognition : An introduction. Addison-
Wesley, 1978.
578
[GU00] G. Grudic and L. Ungar. Localizing policy gradient estimates to action transitions. In
17th International Conference on Machine Learning (ICML'00), pages 343{350. Morgan
Kaufmann, 2000.
[Hau88] D. Haussler. Quantifying inductive bias : AI learning algorithms and Valiant learning fra-
mework. Articial Intelligence Journal, 36:177{221, 1988.
[Hau92] D. Haussler. Decision theoretic generalization of the pac model for neural net and other
learning applications. Information and Computation, 100:78{150, 1992.
[HB88] F. Van Harmelen and A. Bundy. Explanation-based generalization = partial evaluation.
Articial Intelligence journal, 36:401{412, 1988.
[Her02] R. Herbrich. Learning classiers. Theory and beyond. MIT Press, 2002.
[Hil92] W. Hillis. Co-evolving parasites improve simulated evolution as an optimization procedure.
In Articial Life II, pages 313{324. Addison-Wesley, 1992.
[Hin89] G. Hinton. Connectionist learning procedures. Articial Intelligence, 40, 1989.
[Hir90] H. Hirsh. Incremental Version-Space merging: a general framework for concept learning.
Kluwer, 1990.
[Hir92] H. Hirsh. Polynomial-time learning with version spaces. In National Conference on Articial
Intelligence, pages 117{122, 1992.
[HK01] J. Han and M. Kamber. Data Mining : Concepts and Techniques. Morgan-Kaufmann, 2001.
[HKO01] Hyvarinen, Karhunen, and Oja. Independent component analysis (Adaptive and learning
systems for signal processing, communications and control series). John Wiley and Sons,
2001.
[HKP91] J. Hertz, A. Kroght, and R. Palmer. Introduction to the Theory of Neural Computation.
Addison-Wesley, 1991.
[HKS94] D. Haussler, M. Kearns, and R. Shapire. Bounds on the sample complexity of bayesian
learning using information theory and the VC dimension. Machine Learning Journal, 14:83{
113, 1994.
[HKST96] D. Haussler, M. Kearns, H.S. Seung, and N. Tishby. Rigorous learning curve bounds from
statistical mechanics. Machine Learning Journal, 25:195{236, 1996.
[Hoe56] W. Hoeding. On the distribution of the number of successes in independent trials. Annals
of Mathematical Statistics, 27:713, 1956.
[Hoe63a] W. Hoeding. Probability inequalities for sums of bounded random variables. Journal of
the American Statistical Association, 58(301):13{30, 1963.
[Hof95] D. Hofstadter. Fluid concepts and creative analogies. Computer models of the fundamental
mechanisms of thought. Basic Books, 1995.
[Hol75] J. Holland. Adaptation in natural and articial systems. University of Michigan Press,
1975. Reprinted in 1992 by MIT Press.
[HTF01] T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. Data mining,
inference, and prediction. Springer Verlag, 2001.
[Jac01] Ch. Jacob. Illustrating evolutionary computation with Mathematica. Morgan Kaufmann,
2001.
[Jam89] M. Jambu. Exploration informatique et statistique des donnees. Dunod, 1989.
[Jan94] J. Jannink. Cracking and co-evolving randomizers. In Advances in Genetic Programming,
pages 425{443. MIT press, 1994.
[Jel76] F. Jelinek. Continuous speech recognition by statistical methods. Proceedings of the IEEE,
64:532{556, 1976. No. 4.
[Jel97] F. Jelinek. Statistical Methods for Speech Recognition, volume 112 of Mathematics in Science
and Engineering. The MIT Press, 1997.
[JP98] H. Juille and J.B. Pollack. A stochastic search approach to grammar induction. In Gram-
matical Inference, number 1433 in Lecture Notes in Articial Intelligence, pages 126{137.
Springer-Verlag, 1998.
[JW98] R. Johnson and D. Wichern. Applied Multivariate Statistical Analysis. Prentice Hall, 1998.
Bibliographie 579
[KA99] J. Koza and D. Andre. Genetic programming III: Darwinian invention and problem solving.
MIT Press, 1999.
[Kal99] L. Kallel. Convergence des algorithmes genetiques : aspects spatiaux et temporels. PhD
thesis, E cole Polytechnique, France, 1999.
[KCC87] S. Kedar-Cabelli and T. Mc Carty. Explanation-based generalization as resolution theorem
proving. In Proc. of the 4th Int. Worshop on Machine Learning, IWML-87, pages 383{389.
[KGV83] S. Kirkpatrick, C. Gelatt, and M. Vecchi. Optimization by simulated annealing. Science,
220:671{680, 1983.
[KLM96] L. Kaelbling, M. Littman, and A. Moore. Reinforcement learning : A survey. Journal of
Articial Intelligence Research, 4:237{285, 1996.
[KMNR95] M. Kearns, Y. Mansour, A. Ng, and D. Ron. An experimental and theoretical compa-
rison of model selection methods. In Proceedings of the 8th Annual ACM Workshop on
Computational Learning Theory., pages 21{30. Morgan Kaufmann, 1995.

[Koz92] J. Koza. Genetic programming : on the programming of computers by mecanism of natural
selection. MIT Press, 1992.
[Koz94] J. Koza. Genetic programming II: Automatic discovery of reusable programs. MIT Press,
1994.
[KS94] M. Kearns and R. Schapire. Ecient distribution-free learning of probabilistic concepts.
Journal of Computer and System Science, 48:464{497, 1994.
[KS96] D. Koller and M. Sahami. Toward optimal feature selection. In Proc. of the 13th Inter-
national Conference on Machine Learning (ICML-96), pages 284{292. Morgan Kaufmann,
1996.
[KV88] M. Kearns and L. Valiant. Learning boolean formula or nite automata is as hard as
factoring. Technical report, Aiken Computational Laboratory, Harvard University, 1988.
[KV89] M. Kearns and G. Valiant. Cryptocraphic limitations on learning boolean formulae and
nite automata. In Proceedings of the 21st annual ACM symposium on Theory of compu-
tating, pages 433{444, New York, 1989.
[KV94] M. Kearns and L. Valiant. Cryptographic limitations on learning boolean formulae and
nite automata. Journal of the ACM, 41(1):67{95, 1994.
[KW92] J. Kietz and S. Wrobel. Controlling the complexity of learning in logic through syntactic
and task-oriented models. In S. Muggleton, editor, Inductive Logic Programming. Academic
Press, 1992.
[Leb95] L. Lebart. Statistique exploratoire multidimensionnelle. Dunod, 1995.
[Lee96] L. Lee. Learning of context-free grammars: a survey of the literature. Technical report, Cen-
ter for Research in Computing Technology, Harvard University, Cambridge, Massachussets.
TR 12-96, 1996.
[Len78] D. Lenat. The ubiquity of discovery. Articial Intelligence journal, 9:257{285, 1978.
[Ler81] I-C. Lerman. Classication et analyse ordinale des donnees. Dunod, 1981.
[Lin91] L. Lin. Programming robots using reinforcement learning and teaching. In Proceeding of
the Ninth National Conference on Articial Intelligence (AAAI'91), 1991.
[LP97] K. Lang and B. Pearlmutter. Abbadingo one competition, 1997. abbadingo.cs.unm.edu.
[LPP98] K. J. Lang, B. A. Pearlmutter, and R. A. Price. Results of the abbadingo one DFA learning
competition and a new evidence-driven state merging algorithm. Lecture Notes in Computer
Science, 1433:1{12, 1998.
[LRN86] J. Laird, P. Rosenbloom, and A. Newell. Chunking in soar : the anatomy of a general
learning mechanism. Machine Learning journal, 1:11{46, 1986. Reprinted in Buchanan, B
and Wilkins, D. (eds.), Readings in knowledge acquisition and learning, pp.518-535, Morgan
Kaufmann, 1993.
[LRS83] S. Levinson, R. Rabiner, and M. Sondhi. An introduction to the application of the theory
of probabilistic functions of a Markov process to automatic speech recognition. Bell system
Technical Journal, 62:1035{1074, 1983.
580
[LS98] M. Liquiere and J. Sallantin. Structural machine learning with galois lattice and graphs.
In J. Shavlik, editor, 15th International Conference on Machine Learning(ICML-98), pages
305{313. Morgan Kaufmann, 1998.
[LTS89] E. Levin, N. Tishby, and S. Solla. A statistical approach to learning and generalization
in layered neural networks. In Workshop on Computational Learning Theory (COLT'89),
pages 245{260. Morgan Kaufmann, 1989.
[Lue84] D. Luenberger, editor. Linear and nonlinear programming. Addison-Wesley, 1984.
[LV97] M. Li and P. Vitanyi. Introduction to Kolmogorov complexity and its applications (2nd
edition). Springer-Verlag, 1997.
[LVA+ 94] S. Lucas, E. Vidal, A. Amiri, S. Hanlon, and J.C. Amengual. A comparison of syntaxic and
statistical techniques for o-line ocr. ICGI-94, Lecture Notes in Articial Intelligence, No
862:168{180, 1994.
[LW86] N. Littlestone and M. Warmuth. Relating data compression and learnability. Technical
report, University of California, Santa Cruz, 1986.

[LW94] N. Littlestone and M. Warmuth. The weighted majority algorithm. Information and Com-
putation, 108:212{261, 1994.
[LZ96] G. Lugosi and K. Zeger. Concept learning using complexity regularization. IEEE Transac-
tions on Information Theory, 42:48{54, 1996.
[M.99] Jordan M., editor. Learning in graphical models. MIT Press, 1999.
[MA95] A. Moore and C. Atkinson. The parti-game algorithm for variable resolution reinforcement
learning in multidimensional state-spaces. Machine Learning Journal, 21:199{233, 1995.
[Man94] O. Mangasarian, editor. Nonlinear programming. SIAM, 1994.
[Mat94] M. Mataric. Rewards functions for accelarating learning. In Proc. of the 11th International
Conference on Machine Learning, IWML-91. Morgan Kaufmann, 1994.
[MB88a] G. McLachlan and K. Basford. Mixture models: Inference and application to clustering.
Marcel Dekker, 1988.
[MB88b] S. Muggleton and W. Buntine. Machine invention of rst-order predicates by inverting
resolution. In Kaufmann, editor, Proceedings of the Fifth International Conference on
Machine Learning, pages 339{352, 1988.
[MB96] S. Matwin and F. Bergadano. Inductive Logic Programming. In proceedings of ECAI'96,
Budapest, Hungary, 1996.
[MC68] D. Michie and R. Chambers. An experiment in adaptive control, volume 2, pages 137{152.
Edingburgh University Press, 1968.
[MC85] G. Milligan and M. Cooper. An examination of procedures for determining the number of
clusters in a data set. Psychometrika, 50(2):159{179, 1985.
[MC91] S. Mahadevan and J. Connell. Automatic programming of behavior-based robots using
reinforcement learning. In Proc. of the 9th National Conference on Articial Intelligence,
IWML-91, 1991.
[MC95a] R. Mooney and M. Cali. Induction of rst-order decision lists: Results on learning the
paste tense of english verbs. Journal of Articial Intelligence Research, 3:1{24, 1995.
[MD94] S. Muggleton and L. De Raedt. Inductive Logic Programming: Theory and Methods.
Journal of Logic Programming, 19-20:629{679, 1994.
[MdG94] L. Miclet and C. de Gentile. Inference grammaticale a partir d'exemples et de contre-
exemples : deux algorithmes optimaux : (big et rig) et une version heuristique (brig).
Journees Acquisition, Validation, Apprentissage, pages F1{F13, 1994. Strasbourg France.
[Mei97] R. Meir. Performance bounds for nonlinear time series. In Proceedings 10th Annual ACM
Workshop on Computational Learning Theory, pages 122{129, 1997.
[MF90] S. Muggleton and C. Feng. Ecient induction of logic programs. In Proceedings of the First
Conference on Algorithmic Learning Theory, Tokyo, 1990.
[MF98] N. Merhav and M. Feder. Universal prediction. In Information theory. 50 years of discovery.,
pages 80{103. IEEE Press, 1998.
Bibliographie 581
[Mic76a] L. Miclet. Inference of regular expressions. In Proceedings of the 3rd IJCPR., pages 100{105,
1976.
[Mic80a] L. Miclet. Regular inference with a tail-clustering method. IEEE Transactions on SMC,
SMC-10:737{743, 1980.
[Mic90] L. Miclet. Grammatical inference. In H. Bunke and A. Sanfeliu, editors, Syntactic and
structural pattern recognition theory and applications. World Scientic, 1990.
[Min61] M. Minsky. Steps toward articial intelligence. Proceedings of the Institute of Radio Engi-
neers, 49:406{450, 1961.
[Min88] S. Minton. Learning search control knowledge : An explanation-based approach. Kluwer
Academic Publishers, 1988.
[Min89] J. Mingers. An empirical comparison of pruning methods for decision tree induction. Ma-
chine Learning, 4:227{243, 1989.
[Min90] S. Minton. Quantitative results concerning the utility of explanation-based learning. Ar-
ticial Intelligence journal, 42:363{392, 1990. Reprinted in Shavlik, J. and Dietterich, T.

(eds.), Readings in Machine Learning, Morgan Kaufmann, 1990, pp.96-107.
[Mit82] T. Mitchell. Generalization as search. Articial Intelligence, 18:203{226, 1982.
[MKKC86] T. Mitchell, R. Keller, and S. Kedar-Cabelli. Explanation-based generalization : a unifying
view. Machine Learning journal, 1:45{80, 1986.
[MKS94] S. Murphy, S. Kasif, and S. Saltzberg. A system for inducing oblique decision trees. Journal
of Articial Intelligence Research, 2:1{32, 1994.
[MM96] D. Modha and E. Masrym. Minimum complexity regression estimation with weakly depen-
dant observations. IEEE Transactions on Information Theory, 1996.
[MM99] R. Munos and A. Moore. Variable resolution discretization for high-accuracy solutions of
optimal control problems. In 16th international Joint Conference on Articial Intelligence
(IJCAI'99), pages 1348{1355. Morgan Kaufmann, 1999.
[Mod93] M. Modrzejewski. Feature selection using rough sets theory. In Proc. of the European
Conference on Machine Learning (ECML-93), pages 213{226. Springer Verlag (LNAI 667,
1993.
[Moo96] R. Mooney. Inductive Logic Programming for Natural Language Processing. In Procee-
dings of the Sixth International Workshop on Inductive Logic Programming, pages 205{224,
Stockholm, Sweden, August 1996.
[MP43] W. McCulloch and W. Pitt. A logical calculus of ideas imminent in nervous activity. Bulletin
of Mathemetical Biophysics, 5, 1943.
[MP69] M. Minsky and S. Papert. Perceptrons. MIT Press, 1969.
[MS83] R. Michalski and R. Stepp. Automated construction of classications : conceptuel clustering
versus numerical taxonomy. IEEE Transactions on PAMI, 5:396{409, 1983.
[MS01] J.-F. Mari and R. Schott. Probabilistic and Statistical Methods in Computer Science. Klu-
wer, 2001.
[Mug87] S. Muggleton. Duce, an oracle based approach to constructive induction. In Proceedings
of the International Joint Conference on Articial Intelligence, pages 287{292. Morgan
Kaufmann, 1987.
[Mug95] S. Muggleton. Inverse entailment and progol. New Generation Computing, 13(3-4):243{286,
1995.
[MV95] L. Martin and C. Vrain. MULT ICN : an empirical multiple predicate learner. In Proceedings
of International Workshop on Inductive Logic Programming, 1995.
[New90] A. Newell. Unied theories of cognition. Harvard University Press, 1990.
[NMWM94] C. Nevill-Manning, I. Witten, and D. Maulsby. Compression by induction of hierarchical
grammars. In Data Compression Conference (DCC '94), 1994.
[NN97] P. Njiwoua and E. Mephu Nguifo. Iglue : An instance-based learning system over lattice
theory. In Proceedings of the ICTAI'97, pages 75{76, 1997.
[OG92a] J. Oncina and P. Garca. Inferring regular languages in polynomial update time. Pattern
Recognition and Image Analysis, pages 49{61, 1992.
582
[OG92b] J. Oncina and P. Garca. Inferring regular languages in polynomial updated time. In Pattern
Recognition and Image Analysis : Selected papers from the IVth Spanish Symposium, pages
49{61. World Scientic, 1992.
[OH91] M. Opper and D. Haussler. Calculation of the learning curve of bayes optimal classication
algorithm for learning a perceptron with noise. In Workshop on Computational Learning
Theory (COLT'91), pages 75{87. Morgan Kaufmann, 1991.
[Orp92] P. Orponen. Neural networks and complexity theory. Technical report, Department of
Computer Science, University of Helsinki., Helsinki, Finland, 1992.
[OSW86] D. Osherson, M. Stob, and S. Weinstein. Systems that learn. MIT Press, 1986.
[Par62] E. Parzen. On estimation of a probability density function and mode. Annals of Mathema-
tical Statistics, 33(3), 1962.
[Paw85] Z. Pawlak. Rough sets. Int. J. of Coputer and Information sciences, 11, No.5:341{356,
1985.
[Pea78] J. Pearl. On the connection between the complexity and credibility of inferred models. Int.
J. Gen. Syst., 4:255{264, 1978.
[PH97] R. Parekh and V. Honavar. Learning DFA from simple examples. In Workshop on Automata
Induction, Grammatical Inference, and Language Acquisition, ICML-97, 1997.
[Pin97] S. Pinker. How the mind works. Penguin Books, 1997.
[Pit89] L. Pitt. Inductive inference, dfa's and computational complexity. In K. P. Jantke, editor,
Workshop on analogical and inductive inference, AII89, number 397 in Lecture Notes in
Articial Intelligence, pages 18{44. Springer-Verlag, 1989.
[PK92] M. Pazzani and D. Kibler. The utility of knowledge in inductive learning. Machine Learning,
9(1):56{94, 1992.
[Plo70] G. Plotkin. A note on induction generalization. Machine Intelligence, 5, 1970.
[Plo71a] G. Plotkin. Automatic methods of inductive inference. PhD thesis, Edinburgh University,
1971.
[Plo71b] G. Plotkin. A further note on induction generalization. Machine Intelligence, 6:101{124,
1971.
[Pro97] J. Proust. Comment l'esprit vient aux bêtes. Essai sur la representation. Gallimard. NRF
Essais, 1997.
[PS82] C. Papadimitriou and K. Steiglitz. SCombinatorial optimization : algorithms and com-
plexity. Prentice-Hall, 1982.
[PT95] A. Pelissier and A. Tête. Sciences cognitives. textes fondateurs (1943-1950). PUF, 1995.
[PW93] L. Pitt and M. Warmuth. The minimum consistent dfa problem cannot be approximated
within any polynomial. JACM, 40(1):95{142, 1993.
[QC95] J. Quinlan and R. Cameron-Jones. Induction of logic programs: Foil and related systems.
New Generation Computing, 13(3-4):287{312, 1995.
[QR89] J. Quinlan and R. Rivest. Inferring decision trees using the minimum description length
principle. Information and Computation, 80:227{248, 1989.
[Qui90] J. Quinlan. Learning logical denitions from relations. Machine Learning, 5:239{266, 1990.
[Qui93] J. Quinlan. C4.5 : Programs for Machine Learning. Morgan Kaufmann, 1993.
[Rab89] L. Rabiner. A tutorial on hidden Markov models and selected applications in speech reco-
gnition. Proceedings of the IEEE, 37, No 2, 1989.
[Ran00] J. Randlov. Shaping in reinforcement learning by changing the physics of the problem. In
17th International Conference on Machine Learning (ICML'2000), pages 767{774. Morgan
Kaufmann, 2000.
[Rey00] S. Reynolds. Adaptive resolution model-free reinforcement learning : decision boundary
partitioning. In 17th International Conference on Machine Learning (ICML'2000), pages
783{790. Morgan Kaufmann, 2000.
[RHW86] D. Rumelhart, G. Hinton, and R. Williams. Learning internal representations by error
propagation. In Parallel Distributed Processing: Explorations in the Microstructure of Co-
gnition, volume 1: Foundations. Bradford Book, MIT Press, 1986.
Bibliographie 583
[Rip96] B. Ripley. Pattern recognition and neural networks. Cambridge University Press, 1996.
[Ris78] J. Rissanen. Modeling by the shortest data description. Automatica, 14:465{471, 1978.
[RJ93] L. Rabiner and F. Juang. Fundamentals of Speech Recognition. Prentice-Hall, 1993.
[Rob65] J. Robinson. A machine-oriented logic based on the resolution principle. Journal of the
ACM, 12(1):23{41, 1965.
[Rob97] S. Roberts. An Introduction to Progol. Oxford University, January 1997.
[Ron96] A. Ronge. Genetic programs and co-evolution. Technical report, Department of Numerical
Analysis and Computer Science, Stockholm University, 1996.
[Ros62] F. Rosenblatt. Principles of neurodynamics: Perceptrons and the theory of brain mecha-
nisms. Spartan. Washington, DC, 1962.
[Ros97] R. Rosenfeld. The EM algorithm. Technical report, Computer Science Department,
Carnegie-Mellon University, Pittsburg, February 1997.
[RPV89a] H. Rulot, N. Prieto, and E. Vidal. Learning accurate nite-state structural models of words:
the ECGI algorithm. In ICASSP'89, volume 1, pages 643{646, 1989.
[Rud97] G. Rudolph. Convergence properties of evolutionary algorithms. PhD thesis, Ph.D. thesis,
Universitat, Hamburg, 1997.
[RV88] H. Rulot and E. Vidal. An ecient algorithm for the inference of circuit-free automata.
In G. Ferrate, T. Pavlidis, A. Sanfeliu, and H. Bunke, editors, Advances in Structural and
Syntactic Pattern Recognition, pages 173{184. NATO ASI, Springer-Verlag, 1988.
[RW84] R. Redner and H. Walker. Mixture densities, maximum likelihood and the em algorithm.
SIAM Review, 26:195{239, 1984.
[Sak90] Y. Sakakibara. Learning context-free grammars from structural data in polynomial time.
Theoretical Computer Science, 76:223{242, 1990.
[Sak97] Yasubumi Sakakibara. Recent advances of grammatical inference. Theoretical Computer
Science, 185(1):15{45, 10 October 1997.
[Sam59] A. Samuel. Some studies in machine learning using the game of checkers. IBM Journal of
Research and Development, 3:210{229, 1959.
[Sam93] C. Sammut. The Origine of Inductive Logic Programming: a Prehistoric Tale. In Proceedings
of the 3th International Workshop on Inductive Logic Programming, pages 127{148, Bled,
Slovenia, April 1993.
[Sap90] G. Saporta. Probabilites, analyse des donnees et statistiques. Technip, 1990.
[SB97] S. Singh and D. Bertsekas. Reinforcement learning for dynamical channel allocation in cellu-
lar telephone systems. In Advances in Neural Information Processing Systems : Proceedings
of the 1996 Conference, pages 974{980. MIT Press, 1997.
[SBE99] B. Scholkopf, C. Burges, and A. Smola (Eds). Advances in kernel methods. Support vector
learning. MIT Press, 1999.
[SBSE00] A. Smola, P. Bartlett, B. Scholkopf, and D. Schuurmans (Eds). Advances in large margin
classiers. MIT Press, 2000.
[Sch90] R. Schapire. The strength of weak learnability. Machine Learning journal, 5(2):197{227,
1990.
[Sch94] C. Schaer. A conservation law for generalization performance. In 11th International
Conference on Machine Learning (ICML'1994), pages 259{265. Morgan Kaufmann, 1994.
[Seb94a] M. Sebag. A constraint-based induction algorithm. In W. Cohen and H. Hirsh, editors,
Proceedings of ICML-94. Morgan Kaufmann, 1994.
[Seb94b] M. Sebag. Using constraints to build version spaces. In Proceedings of the 1994 European
Conference on Machine Learning, 1994.
[SG98] R. Sun and L. Giles, editors. Sequence learning. Springer, 1998.
[Sha50] C. Shannon. Programming a computer for playing chess. Philosophical Magazine, 41:256{
275, 1950.
[Sha83] E. Shapiro. Algorithmic program debugging. MIT Press, 1983.
[Sim81] H. Simon. The sciences of the articial. MIT Press, 1981.
584
[Sim94] K. Sims. Evolving 3d morphology and behavior by competition. In Proc. Articial Life IV,
pages 28{39. MIT Press, 1994.
[SL91] S. Rasoul Safavian and D. Landgrebe. A survey of decision tree classier methodology.
IEEE Transactions on SMC, 21(3), 1991.
[Sol59] R. Solomono. A new method for discovering the grammars of phrase structure languages.
In Information Processing, pages 285{290. UNESCO, New York, 1959.
[Sol64] R. Solomono. A formal theory of inductive inference, part 1 and part 2. Information and
Control, 7:1{22, 224{254, 1964.
[SR90] B. Smith and P. Rosenbloom. Incremental non-backtracking focussing : A polynomially
bounded generalization algorithm for version space. In National Conference on Articial
Intelligence (AAAI'90), pages 848{853, 1990.
[SS02] B. Scholkopf and A. Smola. Learning with kernels. Support vector machines, regularization,
optimization, and beyond. MIT Press, 2002.
[SST92] S. Seung, H. Sompolinsky, and N. Tishby. Statistical mechanics of learning from examples.
Physcal Review (A), 45:6056{6091, 1992.
[STBWA96] J. Shawe-Taylor, P. Bartlett, R. Williamson, and M. Anthony. A framework for structu-
ral risk minimization. Proceedings of the 9th Annual ACM Workshop on Computational
Learning Theory, pages 68{76, 1996.
[STBWA98] J. Shawe-Taylor, P. Bartlett, R. Williamson, and M. Anthony. Structural risk minimization
over data-dependent hierarchies. IEEE Transactions on Information Theory, 44:1926{1940,
1998.
[Str00] M. Strens. A bayesian framework for reinforcement learning. In 17th International Confe-
rence on Machine Learning (ICML'2000), pages 943{950. Morgan Kaufmann, 2000.
[Tak88] S. Takada. Grammatical inference for even linear languages based on control sets. Infor-
mation Processing Letter, 28:193{199, 1988.
[Tau94] B. Tausend. Representing biases for Inductive Logic Programming. In proceedings of
ECML'94, pages 427{430, 1994.
[TB73b] B. Trakhtenbrot and Ya. Barzdin. Finite Automata: Behavior and Synthesis. North Holland
Pub. Comp., Amsterdam, 1973.
[TD] F. Thollard and P. Dupont. Inference grammaticale probabiliste utilisant la divergence de
kullback-leibler et un principe de minimalite. In CAP2000, Conference d'apprentissage,
pages 259{275. Hermes.
[TD99] F. Thollard and P. Dupont. Entropie relative et algorithmes d'inference grammaticale
probabiliste. Technical report, Laboratoire EURISE, Universite de St-Etienne, 1999.
[Tes92] G. Tesauro. Practical issues in temporal dierence learning. Machine Learning Journal,
8:257{278, 1992.
[Tes94a] G. Tesauro. Td-gammon, a self-teaching backgammon program, achieves master-level play.
[Tes95a] G. Tesauro. Temporal dierence learning and td-gammon. Communications of the ACM,
38(3):58{67, 1995.
[TNC+ re] A. Tiberghien, A. N'Guyen, A. Cornuejols, N. Balache, and M. Backer. Quintette sur
l'apprentissage. E ditions l'Harmattan, a para^tre.
[TSM85] D. Titterington, A. Smith, and U. Makov. Statistical analysis of nite mixture distributions.
John Wiley and Sons, 1985.
[Tur92] A. Turing. Intelligent machinery. In D. Ince, editor, Collected works of Alan Turing :
Mechanical Intelligence. Elsevier, 1992.
[Utg89] P. Utgo. Incremental induction of decision trees. Machine Learning, 4(2), 1989.
[Val84a] L. Valiant. A theory of the learnable. Communications of the ACM, 27(11):1134{1142,
1984.
[Val84c] L. Valiant. A theory of the learnable. Comunication of the ACM, 27(11):1134{1142, 1984.
[Vap82] V. Vapnik. Estimation of dependences based on empirical data. Springer-Verlag, 1982.
Bibliographie 585
[Vap95] V. Vapnik. The nature of statistical learning theory. Springer-Verlag, 1995.
[VB87] K. Vanlehn and W. Ball. A version space approach to learning context-free grammars.
Machine Learning, 2:9{38, 1987.
[VC91] V. Vapnik and A. Chervonenkis. The necessary and sucient conditions for the consistency
of the method of empirical risk minimization. Pattern Recognition and Image Analysis,
1:284{305, 1991.
[Vid94a] E. Vidal. Language learning, understanding and translation. Progress ond Prospects of
Speech Research and Technology. Proceedings of the CRIM/FORWISS Workshop, Septem-
ber 1994.
[Vid94b] E. Vidal. New formulation and improvements of the nearest-neighbour approximation and
elimating search algorithm (asea). Pattern Recognition Letters, pages 1{7, January 1994.
[Vid97] M. Vidyasagar. A theory of learning and generalization. Springer-Verlag, 1997.
[VL63] V. Vapnik and A. Lerner. Pattern recognition using generalized portrait method. Automa-
tion and Remote Control, 1963.

[VLC94] V. Vapnik, E. Levin, and Y. Le Cun. Measuring the VC-dimension of a learning machine.
[Vos99] M. Vose. The simple genetic algorithm. Foundations and theory. MIT Press, 1999.
[Wal77] R. Waldinger. Achieving several goals simultaneously. In Machine Intelligence 8. Ellis
Horwood Ltd, 1977.
[Wat85] S. Watanabe. Pattern recognition : human and mechanical. Wiley, 1985.
[Wat89] C. Watkins. Learning from delayed rewards. PhD thesis, King's College, Cambridge, UK,
1989.
[WB85] C. Wallace and D. Boulton. An informaiton measure for classication. Computing Journal,
11:185{195, 1985.
[Wer84] P. Werbos. The Roots of Backpropagation. Wiley, 1984.
[Wid94] B. Widrow. 30 years of adaptive neural networks : Perceptron, madaline and backpropaga-
tion. Proceedings of the IEEE, 78(9), 1994.
[Wig60] E. Wigner. The unreasonable eectivness of mathematics in structuring physics. 1960.
[Wil92a] R. Wille. Concept lattices and conceptual knowledge systems. Computers Mathematical
application, 23:493{515, 1992.
[Wil92b] R. Williams. Simple statistical gradient-following algorithms for connectionist reinforcement
learning. Machine Learning Journal, 8:229{256, 1992.
[Win70] P. Winston. Learning structural descriptions from examples. PhD thesis, MIT, 1970. MIT
Technical Report AI-TR-231.
[Win75] P. Winston. Learning Structural Descriptions from Examples. In The psychology of Com-
puter Vision. McGraw-Hill, 1975.
[Wol92] D. Wolpert. On the connection between in-sample testing and generalization error. Complex
Systems, 6:47{94, 1992.
[Wol95] D. Wolpert, editor. The mathematics of generalization. Addison Wesley, 1995.
[Wol97] D. Wolpert. No free lunch theorem for optimization. IEEE Transactions on evolutionary
computation, 1 (1):467{82, 1997.
[WRB93] T. Watkin, A. Rau, and M. Biehl. The statistical mechanics of learning a rule. Review of
Modern Physics, 65:499{556, 1993.
[YB98] Y. Yang and A. Barron. An asymptotic property of model selection criteria. IEEE Tran-
sactions on Information Theory, 1998.
[ZD95] W. Zhang and T. Dietterich. A reinforcement learning approach to job-shop scheduling. In
International Joint Conference on Articial Intelligence, pages 1114{1120. Morgan Kauf-
mann, 1995.
[Zel95] J. Zelle. Using Inductive Logic Programming to Automate the Construction of Natural
Language Parsers. PhD thesis, University of Texas, August 1995.
[Zha96] W. Zhang. Reinforcement learning for job-shop scheduling. PhD thesis, Ph.D. thesis, Oregon
State University. Technical Report CS-96-30-1, 1996.
[ZM93] J. Zelle and R. Mooney. Learning Semantic Grammars with Constructive Inductive Logic
Programming. In Proceedings of the Eleventh National Conference on Articial Intelligence,
pages 817{822, Washington, D.C., USA, August 1993.
[ZR00] D. A. Zighed and R. Rakotomalala. Graphes d'induction : apprentissage et data mining.
Hermes, 2000.
[Zuc01] J-D. Zucker. Changements de representation, abstractions et apprentissages. dossier d'ha-
bilitation a diriger des recherches (hdr). Technical report, 2001.
Index
2 (critere du), 340 alphabet auxiliaire d'une grammaire, 213
-subsomption, 163, 165, 170 alphabet terminal d'une grammaire, 213
-subsomption relative, 172 AM Automated Mathematician, 265
analogie (raisonnement par), 203{204
absorbtion, 175 analyse
abstraction, 201{202 dans le pire cas, 49

action de l'agent, 488 en cas moyen, 49
AdaBoost, 357 PAC, 49{57
algorithme AESA, 446 analyse en composantes principales communes,
algorithme BRIG, 233 84
algorithme d'elimination des candidats, 142 analyse en composantes principales, 84
algorithme d'escalade, 101 analyse en composantes independantes, 84
algorithme de Baum-Welsh, 405 apprenant, 45
algorithme de condensation, 444 apprentissage
algorithme de nettoyage, 442 a partir d'echecs, 199
algorithme de PLI generique, 179 a partir d'explications (EBL), 194{201
algorithme de retropropagation du gradient de batch, 545
l'erreur, 325
algorithme de Viterbi, 401 actif, 15, 546{548
algorithme ECGI, 230 avec bruit, 530
algorithme EM, 403, 462, 482, 567{571 collaboratif, 546
apprentissage des Hmm, 570 dans les Hmm, 402
melange de gaussiennes, 571 en ligne, 14
algorithme k-RI, 229 faible, 355, 356, 360
algorithme RPNI, 234 guide, 548
algorithme RPNI stochastique, 242 hors ligne, 14
algorithme forward-backward, 397 incremental, 546{547
algorithme Progol, 185 mistake-bound learning model, 547
algorithmes genetiques, 248{262 relative loss bound model, 547
espace genotypique, 247, 249, 251, 273 using expert advice, 547
espace phenotypique, 249 multi-instance, 548
fonction de performance, 255 non supervise, 16
operateurs de croisement, 252, 254 par dierences temporelles, 498{503
operateurs de mutation, 253, 254 par renforcement, 485{512
pression selective, 255 par requête d'appartenance, 15
problemes trompeurs, 261 paresseux, 450
remplacement, 257{258 supervise, 13, 16
selection, 255{257 de concepts, 21
selection proportionnelle a la performance, apprentissage PAC
256 de grammaires, 223{226
selection proportionnelle au rang, 256 arbres de decision, 90, 335{352
selection par tournoi, 257 arbres de decision obliques, 343
systemes de classeurs, 274{275 arbres de regression, 352{354
algorithmes par evolution simulee, 102 Arch, 37{39
algorithmes rapides pour les k-plus proches voi- astuce de la representation unique, 133, 162
sins, 446 attribut
588 Index
arborescent, 128 compression d'information, 47

binaire, 77, 128 compromis biais-variance, 42{45
categoriel, 78 couverture d'une hypothese, 130
nominal, 78, 128 critere d'operationnalite, 196
nominal arborescent, 78 critere de performance, voir performance (me-
nominal hierarchique, 78 sure de)
nominal totalement ordonne, 78 critere du perceptron, 41
numerique, 128 croisement, 254
sequenciel nominal, 79 cybernetique, 10{11
sequenciel numerique, 79
automates a etats nis, 262 d-separation, 368, 374
decision bayesienne, 47
bagging, 361 data mining , voir fouille de donnees
bandit a deux bras, 489 diagnostic, 372
Bayes dilemme exploitation vs. exploration, 254, 489{

analyse de, 57{64 491
classicateur naf de, 61 dimension de Vapnik-Chervonenkis, 517, 519
maximum de vraisemblance, 530
regle de decision de, 60 early stopping rule, 530
regle du maximum de vraisemblance, 61 EBL (Explanation-Based Learning), 194{201
regle du maximum a posteriori, 61 echantillon
risque de, 60 d'apprentissage, 21, 42, 115
Bayes point machines, 307 de test, 115
Bellman (equation de), 495 de validation, 115
biais eet tunnel cognitif, 204
de representation, 24 elagage d'un arbre de decision, 344
inductif, 43 entropie croisee, 421
biais de recherche, 180 environnement, 45
biais semantique, 181 epistasie, 261
biais syntaxique, 181 equivalence query, voir protocole de requête d'equivalence
blending, 204 ERM (Empirical Risk Minimization), voir prin-
boosting, 354{361 cipe ERM
bootstrap, 114, 357 erreur
d'approximation, 43
cartes auto-organisatrices de Kohonen, 84 d'estimation, 43
cha^nes de Markov, 92 intrinseque, 43
cha^nes de Markov cachees, voir Hmm totale, 42, 44
clause, 167 espace de representation, 76{80
but, 168 espace des versions, 139
denie, 167 espace genotypique, 247, 249, 251, 273
de Horn, 167 espace phenotypique, 249
unitaire, 168 evaluation des performances
co-evolution, 275 courbe ROC, 116
co-apprentissage, 481{483 par echantillon de test, 112
coevolution, 272 par la methode du leave-one-out, 114
cognitivisme, 11{13 par validation croisee, 114
coherence par bootstrap, 114
d'une hypothese, 53 par jackknife, 114
comite d'experts, 357 evolution simulee, 249
comparaison de methodes d'apprentissage, 119 exemple, 7
complexite algorithmique, voir complexite de Kol- negatif, 38
mogorov positif, 38
complexite computationnelle dans l'apprentissage explication, 372
PAC, 545 exploitation, voir dilemme exploitation vs. ex-
complexite de Kolmogorov, 533 ploration, 490
Index 589
exploration, voir dilemme exploitation vs. explo- intra-construction, 175
ration, 490 invention de predicat, 176
extraction d'attributs, 81 inversion de la resolution, 174{177
extraction de connaissances des donnees, v
jackknife, 114
fat-shattering dimension, 305
fenêtres de Parzen, 435 k-plus-proches-voisins (regle des), 438
lter methods, 84 Karush-Kuhn-Tucker (conditions de), 296
tness function, 249 KDD (knowledge discovery in databases), voir
tness function, 255 extraction de connaissances des donnees
Foil, 182{184 Kullback-Leibler (distance de), 64
fonction cible, 18
fonction coût, 46 Lagrangien, 296
fonction de croissance, 517 langage engendre par une grammaire, 213
fonction de performance, 255 langage hors-contexte, 214

fonction de risque, 14 langage regulier, 214
fonction de score, 379 leave-one-out, 114
fonction noyau, 434 Lerman (critere de), 340
fonction perte, 46 Lex, 148{149
fonction sigmode, 315 logique de description, 95
fonctions noyaux, 299 logique des predicats, 95
fonctions separatrices, 88 logique des propositions, 94
fouille de donnees, v
melange de gaussiennes, 571
generalise maximalement specique, 135 methodes gloutonnes, 501
generalite (relation de), 130 methodes semi-parametriques, 447
Gini (critere de), 340 discrimination logistique, 447
gradient, 325 melange de distributions, 449
continu, 97 macro-operateurs, 195, 199
discret, 99 MAP (maximum a posteriori), voir Bayes
grammaire formelle, 213 marge d'un exemple, 359
grammaire hors-contexte, 214 MDLp, 379
grammaire k-reversible, 228 MDLP (Minimum Description Length Principle),
grammaire reguliere, 214 voir principe de description minimale
G-set, 139 membership query, voir protocole de requête d'ap-
partenance
heuristiques de contrôle, 195, 199, 200 minimisation du risque empirique (ERM), 50
Hmm, 92, 387{409 minimisation du risque structurel (SRM), 527
apprentissage des parametres d'un, 402 minimisation du risque structurel (SRM), 526
ergodique, 395 modele de Markov cache, voir Hmm
gauche-droite, 395 modeles graphiques, 92
probabilite d'observation, 394 Monte Carlo (methode de), 102, 498
probabilite de transition, 394 mot engendre par une grammaire, 213
probabilites initiales, 394 mots derives selon une grammaire, 213
hypothese multiplicateurs de Lagrange, 296, 529
coherente, 132 mutation, 253, 254
complete, 130, 132
correcte, 130, 132 near-miss, 39
nettoyage des donnees, xiv, 80
i.i.d. (tirage), 18, 42 neurone formel, 314
identication, 175 no-free-lunch theorem, 254, 538{544
instance, 77
intelligibilite, xiv observation, 13
inter-construction, 175 Occam (algorithme d'), 537
intervalle de conance, 113 Occam (rasoir d'), 531
590 Index
ontologie, 92 choix de l'architecture, 331

operateurs de generalisation, 136{137 exemple de fonctionnement, 316
operateurs de specialisation, 137 retropropagation du gradient de l'erreur, 325, 559{
optimisation de performance, 15 562
oracle, 13, 45 regle de maximum de vraisemblance, voir Bayes
regle de production d'une grammaire, 213
PAC, voir analyse regle du maximum a posteriori (MAP), voir Bayes
pas d'apprentissage (le), 41 regles de contrôle, 195
perceptron, 39{41 reconnaissance des formes, v
algorithme, 41 recuit simule, 101
performance (mesure de), 249 reformulation, 202
pertinence de l'ERM, 51 remplacement, 257{258
physique statistique (analyse de la), 548{551 renforcement (signal de), 487, 488
politique, 485, 488
representation par attribut-valeur, 94

politique optimale, 493 reseaux bayesiens
prediction, 14 apprentissage des, 376{383
prediction de sequence, 262 d-separation, 368, 374
pretraitement des donnees, 80 diagnostic, 372
presentation explication, 372
complete, 221 fonction de score, 379
negative, 221 methode des arbres de jonction, 373
positive, 221 methode EM, 381
pression selective, 255 methodes de conditionnement, 373
principe de description minimale, 422, 534{536 methodes de Monte Carlo, 373
principe de minimisation du risque empirique, raisonnement dans les, 370{375
voir principe ERM reseaux d'inference bayesien, 366{370
principe de minimisation du risque structurel, risque empirique, 47
526 risque reel, 46
principe du maximum de vraisemblance, 47 robot simule, 269{271
principe inductif, 46{48 ROC (courbe), 116
principe ERM, 47 rough sets, 83
problemes trompeurs, 261
processus de Markov, 390 selection, 255{257
Prodigy, 200 selection proportionnelle a la performance, 256
professeur, 45 selection proportionnelle au rang, 256
Progol, 184{186
programmation evolutive, 248 selection (etape de), 255
programmation genetique, 248, 262{272 selection d'attributs, 81
proie-predateur, 273 enveloppage, 84
protocole d'apprentissage, 14 ltrage, 84
protocole de requête d'appartenance, 547 selection de modeles, 67{68
protocole de requête d'equivalence, 548 selection par tournoi, 257
protocole de requête statistique, 548 separateur lineaire de Bayes, 307
Sarsa, 500{501
Q-learning, 502 sciences de l'articiel, 4
single representation trick, 39, 133
regression single representation trick, 162
aux moindres carres, 420 SLD-resolution, 169
regression (par SVM), 307{309 SLD-subsomption, 174
regression de but, 197 Soar, 200
regularisation (theorie de la), 527{530 Solomono (induction selon), 532
reseaux bayesiens, 92 sortie desiree, 13
reseaux connexionnistes, 311{332 specialise maximalement general, 135
apprentissage, 319{330 speed-up learning, 198
architecture multicouche, 315 S-set, 138
Index 591
statistical query model, voir protocole de requête
statistique
strategies d'evolution, 248, 262
subsomption (relation de), 163
superviseur, 45
SVM, 293{309, 359
exemples critiques, 296
fat-shattering dimension, 305
fonctions noyaux, 299
Lagrangien, 296
multiplicateurs de Lagrange, 296
theoreme de Mercer, 300
variables duales, 296
variables ressort, 297
systeme apprenant, 13
systemes de classeurs, 274, 275
systemes dynamiques, 551
tâche d'apprentissage, 46
tabou (methode de recherche), 102
taux de couverture, 119
TD(), 502{503
theoreme de Mercer, 300
theoreme des schemas, 258{262
theorie de l'estimation bayesienne, 530{531
trace d'eligibilite, 502
transition de phase, 188{190
treillis, 135
utilite
fonction d', 492
probleme de l', 201
validation croisee, 114
variables duales, 296
variables latentes, 381
vecteurs de support,
seeexemples critiques296
vraisemblance, 530
weight decay, 530
Winnow, 83
wrapper methods, 84

Apprentissage Artificiel - Concepts Et Algorithmes

Transféré par

Droits d'auteur :

Formats disponibles

Apprentissage Artificiel - Concepts Et Algorithmes

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apprentissage Artificiel - Concepts Et Algorithmes

Transféré par

Droits d'auteur :

Formats disponibles

rézo neur.

4/07/02 11:35 Page 1

Antoine Cornuéjols est

LRI de Paris XI à Orsay. Il

dirige au LRI l’équipe Sommaire

Antoine Cornuéjols est

G. DREYFUS et al. – Réseaux de neurones.

Y. COLLETTE, P. SIARRY. – Optimisation multiobjectif.

C. GUÉRET, C. PRINS, M. SEVAUX. – Programmation linéaire.

CHEZ LE MÊME ÉDITEUR

R. LEFÉBURE, G. VENTURI. – Data mining.

M. BAZSALICZA, P. NAÏM. – Data mining pour le Web.

M. JAMBU. – Méthodes de base de l’analyse des données.

M. GONDRAN, M. MINOUX. – Graphes et algorithmes.

BOURDA. – Introduction à l’informatique théorique.

Antoine Cornuéjols • Laurent Miclet

Avec la participation d’Yves Kodratoff

Deuxième tirage 2003

Le code de la propriété intellectuelle du 1er juillet 1992 interdit en effet expressément la

L pables de s'ameliorer automatiquement au l du temps, soit sur la base de leur propre

a Isabelle, Claire, Aurelie, Sebastien, Fanny

et a Maura, Fabien, Marion

en n de faire conna^tre ses applications existantes et potentielles.

 Un programme de diagnostic sur un ensemble d'informations evolutives prises sur un

Quelques de nitions de base

Deux champs industriels de l'apprentissage arti ciel :

Les caracteristiques de l'apprentissage arti ciel

Taille de l’oiseau Taille de l’oiseau

Taille de l’oiseau Taille de l’oiseau

Fig. 0.3 { Le test de la regle simple sur d'autres oiseaux.

chose : en l'espece, une grammaire representee par un automate ni.

Un exemple d'extraction de connaissances

2. Pour un point de vue approfondi sur les principes methodologiques, en particulier

La situation de l'apprentissage dans l'intelligence arti cielle

Les applications industrielles de l'apprentissage arti ciel a l'ex-

Intelligibilite des modeles, nettoyage des donnees

Les conseils de la societe Oracle

Compagnie Outils de base Oct 99 Ju 00 Oct 01 Plan 02 % St/Sy

Oracle Darwin ass + sg 2% 2% 5% Sy : 2 %

l'enqu^ete est resume dans le tableau 0.1.

Reseaux connexionnistes 13 % St: 13 %

Les domaines d'application des methodes inductives de fouille de donnees

applications en ce domaine soient terminees.

% declares comme echec % d'utilisateurs dans cette tranche Total partiel

Exemple Example ou instance

H L'espace des hypotheses d'apprentissage

Quelques applications de l'apprentissage arti ciel. . . . . . . . . . . . . . . . . . . . . . vi

I Les fondements de l'apprentissage 1

2 Premiere approche theorique de l'induction 35

2.4 Analyse dans un cas moyen : l'analyse bayesienne . . . . . . . . . . . . . . . . . . 57

II Apprentissage par exploration 123

5.2.2 Systeme de preuve pour les langages de clauses . . . . . . . . . . . . . . . 168

5.7 Les chantiers de la PLI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188

7.7.1 Les grammaires stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . 240

III Apprentissage par optimisation 277

9.2.3 Un autre calcul : l'algorithme du perceptron . . . . . . . . . . . . . . . . . 287

10.2 L'architecture multicouche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315

12.2.2 La d-separation generalisee . . . . . . . . . . . . . . . . . . . . . . . . . . 372

IV Apprentissage par approximation et interpolation 409

14.1.8 La regle bayesienne et la longueur minimale de description . . . . . . . . 420

L pables de s'ameliorer automatiquement au l du temps, soit sur la base de leur propre

a Isabelle, Claire, Aurelie, Sebastien, Fanny

et a Maura, Fabien, Marion

enn de faire conna^tre ses applications existantes et potentielles.

Un programme de diagnostic sur un ensemble d'informations evolutives prises sur un

Quelques denitions de base

Deux champs industriels de l'apprentissage articiel :

Les caracteristiques de l'apprentissage articiel

Fig. 0.3 { Le test de la regle simple sur d'autres oiseaux.

chose : en l'espece, une grammaire representee par un automate ni.

2. Pour un point de vue approfondi sur les principes methodologiques, en particulier

La situation de l'apprentissage dans l'intelligence articielle

Les applications industrielles de l'apprentissage articiel a l'ex-

Intelligibilite des modeles, nettoyage des donnees

Les conseils de la societe Oracle

l'enqu^ete est resume dans le tableau 0.1.

Reseaux connexionnistes 13 % St: 13 %

Les domaines d'application des methodes inductives de fouille de donnees

applications en ce domaine soient terminees.

% declares comme echec % d'utilisateurs dans cette tranche Total partiel

H L'espace des hypotheses d'apprentissage

Quelques applications de l'apprentissage articiel. . . . . . . . . . . . . . . . . . . . . . vi

2 Premiere approche theorique de l'induction 35

2.4 Analyse dans un cas moyen : l'analyse bayesienne . . . . . . . . . . . . . . . . . . 57

5.2.2 Systeme de preuve pour les langages de clauses . . . . . . . . . . . . . . . 168

12.2.2 La d-separation generalisee . . . . . . . . . . . . . . . . . . . . . . . . . . 372

14.1.8 La regle bayesienne et la longueur minimale de description . . . . . . . . 420

14.4 Les methodes semi parametriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 445

16.4 Si rien n'est connu : la methode de Monte-Carlo . . . . . . . . . . . . . . . . . . . 496

17.3.3 La complexite de Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . 531

18.1.1 La reconnaissance de formes ou classication . . . . . . . . . . . . . . . . 551

1.1 L'apprentissage articiel

1.2 Deux exemples : apprendre a jouer, apprendre a lire

Fig. 1.1 { Une position dans une partie d'echecs.

Fig. 1.2 { Une t^ache de reconnaissance de caracteres manuscrits.

1.3 Deux approches : la cybernetique et les sciences cognitives

Comment un observateur exterieur peut-il mesurer le progres et attribuer a un systeme

A partir du moment ou la cognition est consideree comme la manipulation, suivant un

1.4.2 Quelques notions cles

Par rapport a la connaissance

Par rapport a l'environnement

Par rapport aux structures de donnees ou types d'hypotheses visees

notee f . L'apprenant recoit donc un ensemble d'exemples

Un probleme d'optimisation multicriteres dans lequel on cherche a optimiser a la fois plu-

Comment, sur la base de l'echantillon d'apprentissage, choisir une hypothese, c'est-a-dire

fournit un echantillon de 5 exemples de cette fonction.

1.5.2 ... sans limiter l'espace des hypotheses

2. Ensuite, et c'est un point capital d'apres la discussion de la section precedente, il devient

1.5.3 L'exploration de l'espace des hypotheses

d'organiser ecacement l'exploration de H. Examinons rapidement trois possibilites par ordre

Fig. 1.13 { La premiere periode de l'apprentissage articiel.

Fig. 1.14 { La deuxieme periode de l'apprentissage articiel.

Fig. 1.15 { La troisieme periode de l'apprentissage articiel.

revue Pour la Science : La memoire : le jardin de la pensee avril 2001.

Regardons passer un vol de cygnes en le indienne. Pouvons-nous predire quel sera

Qu'est-ce qui autorise a generaliser a partir d'un echantillon limite de donnees?

De cette maniere, la representation choisie permet d'exprimer explicitement des conditions

Fig. 2.2 { Un exemple d'arche et sa representation.

modication de la regle de decision, et enn, quel type de garantie de convergence on peut

des classes ou a l'autre en comparant la taille mesuree a un seuil s determine

une reponse desiree ou etiquette ui en accord avec une distribution de probabilite

d'extraire les regularites sous-jacentes permettant la description economique du monde. Il

2.3.1 E tude des conditions de validite de l'ERM

8 0 "; 1 : 9 m; tq: P (jRReel (h? ) ; RReel(h^ Sm )j ") < (2.11)

vues. C'est pourquoi il faut generaliser la loi des grands nombres.

2. Ensuite, le raisonnement utilise dans la demonstration implique l'ensemble des fonctions

2.4 Analyse dans un cas moyen : l'analyse bayesienne

2.4.1 Nature de l'analyse bayesienne

D'autre part, quelle regle normative doit presider a la revision de la connaissance en

Denition 2.4 (Risque de Bayes)

Denition 2.5 (Regle de Maximum a posteriori (MAP))

Fig. 2.14 { Frontiere de decision dans l'espace des formes X .

Trois familles de methodes ont ete etudiees pour resoudre ce probleme.

de Kullback-Leibler (encore appelee divergence de Kullback-Leibler) :