Séparateurs à Vaste Marge Optimisant la Fonction Fbeta

Dans cet article, nous introduisons une nouvelle paramétrisation des Séparateurs à Vaste Marge (SVM) appelée Fβ SVM. Cette dernière permet d’effectuer un apprentissage basé sur l’optimisation de la fonction Fβ au lieu de l’erreur de classification habituelle. Les expériences montrent les avantages d’une telle démarche par rapport à la formulation soft-margin standard (avec les écarts à la marge au carré) lorsque l’on accorde une importance différente à la précision et au rappel. Une procédure automatique basée sur le score Fβ de généralisation est ensuite introduite pour sélectionner les paramètres du modèle. Cette procédure repose sur les résultats de Chapelle, Vapnik et al. (Chapelle et al., 2002) concernant l’utilisation de méthodes basées sur le gradient dans le cadre de la sélection de modèles. Les dérivées de la fonction de perte Fβ par rapport à la constante de régularisation C et à la largeur σ d’un noyau gaussien sont définies formellement. A partir de là, les paramètres du modèle sont sélectionnés en effectuant une descente de gradient de la fonction de perte Fβ dans l’espace des paramètres. Les expériences sur des données réelles montrent les bénéfices de cette approche lorsque l’on cherche à optimiser le critère Fβ .