Apprendre et Optimiser la courbe ROC

Un nouveau critère pour l’évaluation des hypothèses extraites par apprentissage supervisé a été introduit depuis la fin des années 90 : l’aire sous la courbe ROC (AUC). Ce critère induit une nouvelle approche de l’apprentissage, utilisant l’AUC comme critère de choix des hypothèses. L’approche présentée dans cet article s’attaque à l’optimisation de ce critère dans le cadre d’hypothèses linéaires. Comme il s’agit d’un problème d’optimisation mixte (combinatoire et continu), l’optimisation est réalisée par un algorithme d’évolution artificielle. L’algorithme résultant est validé expérimentalement sur des bases de données bien étudiées. Ses performances sont comparables à celles d’une machine à vecteurs supports, pour un coût de calcul inférieur d’un ou plusieurs ordres de grandeur. L’approche, motivée par la fouille de données médicales, est illustrée sur une application réelle et ses possibilités en termes de visualisation des hypothèses sont discutées. Mots-clés : Apprentissage Automatique, Optimisation, Fouille de Données Médicale, Fouille de Données Visuelle, Courbe ROC, Apprentissage Stable, Sélection de Traits.