Un critère d'évaluation Bayésienne pour la construction d'arbre de décision

Résumé. Nous présentons dans cet article un nouvel algorithme automatique pour l’apprentissage d’arbres de décision. Nous abordons le problème selon une approche Bayésienne en proposant, sans aucun paramètre, une expression analytique de la probabilité d’un arbre connaissant les données. Nous transformons le problème de construction de l’arbre en un problème d’optimisation : nous recherchons dans l’espace des arbres de décision, l’arbre optimum au sens du critère Bayésien ainsi défini, c’est à dire l’arbre maximum a posteriori (MAP). L’optimisation est effectuée en exploitant une heuristique de pré-élagage. Des expérimentations comparatives sur trente bases de l’UCI montrent que notre méthode obtient des performances prédictives proches de celles de l’état de l’art tout en étant beaucoup moins complexes.