Theorie Du Decisionnel Chaine

7/31/2019 Theorie Du Decisionnel Chaine

1/30

Auteur : Marie Fesneau, Fabien Ducher (Stagiaires lEISTI)

Date : Avril 2002


2/30

Linformatique dcisionnelle

.I CHAINE DECISIONNELLE ...............................................................................................................................................................................................4

.I.1 Schma Complet de la chane ......................................................................................................................................................................................4

.I.2 Phase de MODELISATION :......................................................................................................................................................................................6.I.2.1 Schma ..................................................................................................................................................................................................................6

.I.2.2 1re tape : Interviews utilisateurs / Cerner les besoins utilisateurs ....................................................................................................................7

Avant linterview : ...................................................................................................................................................................................................7

Pendant linterview ...................................................................................................................................................................................................7

Aprs linterview ................................................................................................................................................................................................... ....8

.I.2.3 2me tape : Modlisation du DataWareHouse ...................................................................................................................................................8

Types dobjets : ........................................................................................................................................................................................................9

.I.2.4 3me tape : Constitution des Data Mart...........................................................................................................................................................10

.I.2.5 Avantages des DataWareHouses ........................................................................................................................................................................10

.I.2.6 Les Outils :..........................................................................................................................................................................................................11.I.3 Phase dALIMENTATION .......................................................................................................................................................................................12

.I.3.1 Schma ................................................................................................................................................................................................................12

.I.3.2 Sources de donnes :...........................................................................................................................................................................................12

.I.3.3 Alimentation ETL : ..........................................................................................................................................................................................12

.I.3.4 Problmes rencontrs :........................................................................................................................................................................................13

.I.3.5 Les outils :...........................................................................................................................................................................................................13

.I.4 Phase de RESTITUTION et de PILOTAGE .............................................................................................................................................................16

.I.4.1 Schma ................................................................................................................................................................................................................16

.I.4.2 Moyens de restitution .........................................................................................................................................................................................16

.I.4.3 Moyens de pilotage .............................................................................................................................................................................................19

.I.4.4 Les Outils ............................................................................................................................................................................................................21Requteur :..............................................................................................................................................................................................................21

Pilotage :..................................................................................................................................................................................................................21

Pilotage :..................................................................................................................................................................................................................22

.I.5 Phase dANALYSE :.................................................................................................................................................................................................23

.I.5.1 Schma ................................................................................................................................................................................................................23

.I.5.2 Principe gnral du Data Mining :......................................................................................................................................................................23

Page 2 Avril 2002


3/30


.I.5.3 A quoi sert le Data Mining ? ..............................................................................................................................................................................24

.I.5.4 Les tches du datamining ...................................................................................................................................................................................24La classification ......................................................................................................................................................................................................24

Lestimation ............................................................................................................................................................................................................25

La prdiction ...........................................................................................................................................................................................................25

Le groupement par similitude .................................................................................................................................................................................26Lanalyse des clusters .............................................................................................................................................................................................26

La description ..........................................................................................................................................................................................................26

.I.5.5 Mthodes du datamining ....................................................................................................................................................................................26

Infrences statistiques :...........................................................................................................................................................................................26

Analyse de donnes :...............................................................................................................................................................................................27

Panier de la mnagre :...........................................................................................................................................................................................27

Raisonnement bas sur la mmoire RBM :.........................................................................................................................................................27

Dtection de clusters :.............................................................................................................................................................................................28Arbre de Dcision :.................................................................................................................................................................................................28

Rseau de Neurones :..............................................................................................................................................................................................28.I.5.6 Tableau des appariements des techniques aux tches ........................................................................................................................................30

.I.5.7 Les outils .............................................................................................................................................................................................................30

Page 3 Avril 2002


4/30


.I CHAINE DECISIONNELLE

.I.1 SchmaComplet de la chaneSources de Donnes

Page 4 Avril 2002

Phase dAlimentation Phase dAnalyse

Extract

Transform

Load

Cube

DataWareHouse

DWH

DM

DM

DataMartBases de donnes

ORACLE

Excel

SYBASE

Cubes

Requteur

Pilotage

Data Mining

Phase de Modlisation

Outil

dalimentation Entrepts de donnes Bases ddies

Outils de

Restitution,de pilotage

et danalyse

Phase de Restitution


5/30


La chane dcisionnelle est compose de plusieurs parties :

Alimentation du DataWareHouse,

DataWareHouse,

Restitution des donnes : Pilotage ou Requtage,

Analyse des Donnes.

Le DataWareHouse est le centre de la chane dcisionnelle. Les utilisateurs nauront accs quaux outils de requtage, de pilotage et/ou danalyse.

Toute la partie alimentation et celle de restitution des donnes sont gres par une quipe informatique, interne ou externe lentreprise, spcialise en

gestion de base de donnes et en dcisionnel.

Gestion de Projet :

Il ny a pas deux projets dcisionnels identiques car les entreprises ont des besoins, des demandes, des structures informatiques diffrents. Pour chaque

projet dcisionnel, on ne doit pas ncessairement mettre en place toutes les parties de la chane. On pourra avoir mettre en place simplement un outil

de requtage ou de pilotage, sans concevoir un DataWareHouse ( car les sources de lentreprise sont bien structures), ou restructurer les sources en

crant un DataWareHouse. Les sujets sont multiples et distincts.

Si on a toute la chane concevoir, on commencera par la phase de modlisation du DataWareHouse. Par la suite, on peut raliser lAlimentation ou les

phases de Restitution et dAnalyse de Donnes. Mais il faut imprativement entamer son projet par la phase de Modlisation qui entraine la

agencement des deux autres.

Page 5 Avril 2002


6/30


.I.2 Phase de MODELISATION :

.I.2.1 Schma

Page 6 Avril 2002

Phase de Modlisation

Extract

Transform

Load

Cube

DataWareHouse

DWH

DM

DM


ORACLE

Excel

SYBASE

Cubes

Requteur

Pilotage

Data Mining


7/30


Dfinition : Un DataWareHouse est une collection de donnes thmatiques, intgres ( au niveau qui intresse les utilisateurs), non volatiles (on ne

peut pas les modifier) et histories (on garde un historique des donnes) pour la prise de dcision.

Le DataWareHouse est lentrept de donnes qui va permettre la mise en place dun systme de Reporting et dAnalyse. Il ne contient donc que les

donnes tudier. Il faut procder par tape pour mettre en place correctement le DataWareHouse.

.I.2.2 1re tape : Interviews utilisateurs / Cerner les besoins utilisateurs

Le DataWareHouse est au centre de la chane dcisionnelle, il faut donc le concevoir avec prcaution. Une phase pralable dinterviews

auprs des utilisateurs est ncessaire, mme si un cahier des charges a t rdig, afin de mettre en vidence les donnes qui leur sont

vraiment utiles.

On rencontre 3 types dutilisateurs :

ceux qui ne veulent pas un systme trop compliqu : il faut les conseiller donc connatre leur langage mtier

ceux qui veulent un systme trop compliqu : il faut les freiner

ceux qui connaissent le domaine du dcisionnel avec qui il est facile de communiquer.Dans tous les cas, comprendre le langage mtier de son interlocuteur est essentiel.

Avant linterview :

Lors dune interview utilisateur, il faut arriver :

avec les tableaux de bords prdfinis dans le cahier des charges

en connaissant le mtier et le quotidien de lutilisateur

avec de nouveaux tableaux de bord susceptibles dintresser lutilisateur ou qui permettront de lancer dautres ides ( regrouper

tel et tel tableau, ).

Pendant linterview

Pendant lentretien, il faut poser des questions ouvertes pour laisser lutilisateur parler le plus possible et rcolter un maximum

dinformations. De plus, pour tout indicateur, il faut expliciter le calcul car parfois un mme nom dindicateur peut correspondre plusieurs

formules ( par exemple, diffrents Chiffres dAffaires selon les services ).

Page 7 Avril 2002


8/30


On peut tre amener auditer dans diffrents services, on doit alors grer les demandes contradictoires, les donnes qui se recoupent pour

structurer au mieux le DataWareHouse.

Aprs linterview

Une fois les divers entretiens achevs, on doit rassembler les besoins et les analyser afin de conserver les donnes utiles au systmedcisionnel mettre en place.

.I.2.3 2me tape : Modlisation du DataWareHouse

Aprs, les interviews auprs des utilisateurs, les donnes ncessaires sont connues. Il faut les organiser de manire obtenir des modles, detype toile ou double toile ( cf. PARTIE III ) afin de pouvoir y accder facilement. On dfinit les objets que lutilisateur va pourvoir utiliser

pour crer ses requtes et ses tableaux.

BusinessObjects :

On dfinit les diffrentes classes qui composent un univers. Souvent on retrouve une classe gographique, une temporelle, une ou plusieursconcernant certains postes particuliers de lentreprise. Il y a quasiment tout le temps une classe contenant les indicateurs. On trouve environ

une bonne dizaine de classes dans un univers. Par ncessit de clart et de fonctionnalit, on trouve rarement plus de 30 classes dans un

univers.

De plus, on met en place les cubes, systmes de modlisation des donnes multidimensionnel pour pouvoir grer les agrgats. On dfinit les

axes danalyse qui peuvent tre, entre autre, laxe temporel (anne, trimestre, mois, semaine), laxe gographique (continent, pays, rgion,

dpartement, ville), et les indicateurs. Lanalyse multidimensionnelle permet d'tudier les indicateurs, comme le chiffre daffaire ou lamarge, en fonction des diffrents axes. Lavantage de ce systme est quon peut passer dun niveau un niveau plus dtaill : du chiffre

daffaire par pays au chiffre daffaire par rgion.

Remarque : souvent le DataWareHouse se compose comme suit : une ou plusieurs tables de faits ( table qui contient les indicateurs) aucentre do partent les diffrents axes danalyse.

Pour plus de dtails et dexemples sur les DataWareHouse et les cubes, voir la PARTIE III.

Page 8 Avril 2002

Faits

Axe Gographique

Axe Temporel

Mois

Trimestre

Anne

Ville Rgion Pays

Autre Axe


9/30


Types dobjets :

Objet dimension : Ils reprsente le plus souvent une entit de la base de donne ou un objet date .Objet information : Ce sont des dtails sur les objets dimension auxquels ils sont rattachs.

Objet indicateur: ils restituent des donnes numriques, ce sont des oprations de comptage ou de moyenne sur des donnes de la base.

Page 9 Avril 2002


10/30


.I.2.4 3me tape : Constitution des Data Mart

Une fois le DataWareHouse cr, on peut mettre en place un systme de Reporting et dAnalyse pour diffrents services : un pour le service

Financier, un pour le service Marketing, un pour le service Client, On va construire alors par service un mini DataWareHouse quicontiendra uniquement les donnes utilises au sein du service ( on ne garde que les tables ncessaires ). Ce mini DataWareHouse estappel DataMart qui donne une vision dpartementale ou mtier des donnes. On le construit de la mme faon quon met en place un

DataWareHouse, cest--dire quun DataMart se compose de plusieurs tables organises le plus simplement possible. On retrouvera une ou

plusieurs tables de faits au centre do partent diffrents axes danalyse.

.I.2.5 Avantages des DataWareHouses

Les DataWareHouse permettent une vision mtier transversale.

Lavantage majeur est quils sont volutifs, cest dire quon peut inclure de nouvelles sources de donnes, ajouter de nouveaux indicateurs,

modifier la volumtrie tout en conservant une visibilit claire et prcise. De plus, ils nous permettent davoir une vision historise dans letemps.

La conception dun DataWareHouse dbouche naturellement vers une approche multidimensionnelle, donc sur la mise en place de cube qui

va plus loin, encore, dans lanalyse des donnes.

Pour finir, cela permet que les donnes restitues soient :

normalises

de meilleure qualit

homognes.

Page 10 Avril 2002


11/30


.I.2.6 Les Outils :

BusinessObjects le Module Designer permet la cration dun univers ( dun modle ) manuellement ou partir de tables de

diffrentes bases de donnes.

Cognos Module PowerPlay Transformer est un outil de modlisation qui sert construire des modles multidimensionnels partir desources de donnes.

Cognos Module PowerCube

Informatica Module PowerCenter permet la cration dun modle manuellement ou partir de diffrentes tables : on cre et alimente

les diffrentes tables qui composent le DataWareHouse.

SAS Module DataWareHouse Administrator permet la cration dun modle manuellement ou partir de diffrentes tables: on cre et

alimente les diffrentes tables qui composent le DataWareHouse.

Page 11 Avril 2002


12/30


.I.3 Phase dALIMENTATION

.I.3.1 Schma

Cette partie de la chane dcisionnelle concerne lalimentation du DataWareHouse cr dans la phase de MODELISATION.

.I.3.2 Sources de donnes :

Le DataWareHouse est compos de diffrentes tables quil va falloir remplir. Dans une entreprise, les informations peuvent tre stockes

sous diffrentes formes : dans une base de donnes, dans un fichier, dans un tableau, etc. Ils existent plus de 90 sources diffrentes possibles

pour alimenter un DataWareHouse.

.I.3.3 Alimentation ETL :

Pour alimenter le DataWareHouse, on utilise un ETL ( Extract, Transform and Load ), outil bas sur le principe de mtabases. Il dcrit lesdonnes, leur provenance et les transformations effectues. Il permet dagrger, de classifier, de normaliser, de qualifier, de nettoyer et de

consolider les donnes extraites. De plus, les concepteurs doivent mettre en place une stratgie de mise jour pour lhistorisation et prvoir

la volumtrie. Lalimentation peut tre en batch ou file de leau. Les ETL peuvent tre intgrs aux outils de modlisations ou de restitution.

Les ETL peuvent se concevoir de 2 manires :

manuellement : en lanant des scripts ( PL/SQL, )

avec des logiciels ( qui sont chers : ~100kF ) cf. paragraphe suivant.

Le chargement des donnes correspond 60-70 % du projet : analyser dcrire expliquer exposer

Identifier les sources

O ? Mainframe, fichiers, SGBDR, ERP, Internet,

Comment ? Rseau local, WAN, transferts des fichiers.

Quand ? Cohrence, normalisation.

Construire le rfrentiel

Dfinir la frquence des chargements

Dcrire le niveau dhistorisation

Page 12 Avril 2002

Extract

Transform

Load

Cube

DataWareHouse

DWH

DM


ORACLE

Excel

SYBASE

Cubes

Phase dAlimentation

Requteur

Pilotage

Data Mining


13/30


Expliquer la volumtrie

Analyser la qualit des donnes

Exposer la complexit des transformations

Considrer la reprise des donnes

Grer les rejets Mettre en place les sauvegardes/restaurations

.I.3.4 Problmes rencontrs :

Souvent peu dentreprises ont des logiciels qui permettent la cration dETL, car ce sont des outils coteux. Il faut souvent raliser

lalimentation la main.

La frquence de mise jour du DataWareHouse ( quotidiennement, hebdomadairement, mensuellement, ) peut influencer sa

structure. De plus, une volumtrie des flux trop importante peut entraner un problme dexploitation.

En concevant le modle du DataWareHouse, il faut penser la volumtrie des sources de donnes et la frquence de mise jour.

Faire attention aux environnements trop mouvants, cest dire aux mises jour trop frquentes : il faut le prvoir dans lETL.

Synchroniser lalimentation des diffrents Data Mart qui composent son outil dcisionnel sinon on peut obtenir des rapports dans la

phase de RESTITUTION fausss.

Sassurer que les diffrentes mta bases soient cohrentes.

.I.3.5 Les outils :

Eti * Extract: pour de grandes bases de donnes ( grande distribution )

INFORMATICA Module PowerCenter permet la cration dun modle quon alimente en dcrivant les diffrents flux partir de

diffrentes sources de donnes.

SAGENT Module Sagent

HUMMINGBIND Module Gnio : plutt dans le domaine pharmaceutique.

INFORMIX Module DataStage

Page 13 Avril 2002


14/30


Page 14 Avril 2002


15/30


Interface avec laquelle on cr les flux et les transformations appliqus aux donnes

Page 15 Avril 2002


16/30


.I.4 Phase de RESTITUTION et de PILOTAGE

.I.4.1 Schma

Les outils de restitution ou de pilotage sont la finalit de la chane dcisionnelle, ils sont utiliss par les utilisateurs qui ne connaissent pas forcment

linformatique dcisionnelle. Ce sont donc des outils de Reporting assez facile prendre en main et manipuler.

.I.4.2 Moyens de restitution

Les outils de Requtage sont des gnrateurs de code SQL : Analyse then Query .

Il y a deux types dutilisateurs :

o Les utilisateurs qui crent les rapports : ils peuvent, ou pas, connatre linformatique dcisionnelle. Ils ont accs aux univers

et aux cubes. Ils manipulent, partir de linterface du requteur, les objets contenus dans les classes pour crer diverstableaux. Ils composent des rapports quils peuvent diffuser, par la suite, aux personnes concernes.

o Les utilisateurs, qui rafrachissent priodiquement les rapports, nont alors pas accs lunivers et ne manipulent aucunedonne. Ils analysent les informations que leur prsentent les rapports. Souvent ces utilisateurs ne connaissent pas

linformatique dcisionnelle.

Il est possible de lire des rapports via le Net avec des outils adapts ( comme Webby pour BusinessObjects). Avec ces outils, on ne peut que

lire des rapports mais pas en crer.

Les rapports sont composs dun ou plusieurs lments :

de tableaux,

de diagrammes (courbes, camembert, ) en 2D ou 3D,

de zones de texte,

dimages.

Page 16 Avril 2002

Extract

Transform

Load

Cube

DataWareHouse

DWH

DM

DM


ORACLE

Excel

SYBASE

Cubes

Phase de Restitutionet de Pilotage

Data Mining

Requteur

Pilotage


17/30


Interface de lEditeur de requtes Univers qui concerne une entreprise de la mode.

Page 17 Avril 2002


18/30


Exemple de rapport cr par un outil de requtage :

Tableau plusieurs entres sur lactivit de la Socit ASTEK S.A.

Page 18 Avril 2002


19/30


.I.4.3 Moyens de pilotage

Les outils de Pilotage sont du type : Query then Analyse , cest dire que lutilisateur va pourvoir zoomer par axes pour comprendre les

donnes du tableau. Il pourra ainsi analyser lactivit de lentreprise.

On retrouve pour ces moyens les mmes types dutilisateurs que pour les moyens de restitution.

Si lutilisateur dispose dun outil multidimensionnel (et que le rapport le permet), il peut dtailler les donnes quil visualise, est dire

avoir diffrents niveaux de dtails.

A ETTOFFER !!!!!!

Page 19 Avril 2002


20/30


Exemple de rapport cr par un outil de pilotage :

Diagramme en 3D sur lactivit de la Socit Vacances et Aventures

Page 20 Avril 2002


21/30


.I.4.4 Les Outils

Requteur :

BusinessObjects Module REPORTER : lutilisateur dispose dun univers composes de classes contenant des objets. Il peut alors crer

des rapports en gnrant les requtes voulues en croisant diffrents objets et en crant des conditions.

Cognos Module IMPROMPTU

BrioTech Module Brio

Pilotage :

R OLAP : Relational On line Analytical Processing

BusinessObjects Module REPORTER, EXPLORER ?

Cognos Modules PowerPlay for Windows, PowerPlay for Excel ou PowerPlay Web : lutilisateur peut avoir directement accs aux

donnes du Cube, il peut facilement analyser, examiner les indicateurs de performance de son organisation en crant des rapports .

Avantages : plus rapide mettre en place, moins cher.

Inconvnient: temps de rponse plus long

M OLAP : Multidimensional On Line Analytical Processing

ORACLE Module EXPRESS

HYPERION Module ESSBASE

Avantages : performant

Inconvnients : plus cher, assez dur mettre en place.

Page 21 Avril 2002


22/30


Pilotage :

R OLAP : Relational On line Analytical Processing

BusinessObjects Module REPORTER, EXPLORER ?

Cognos Modules PowerPlay for Windows, PowerPlay for Excel ou PowerPlay Web : lutilisateur peut avoir directement accs auxdonnes du Cube, il peut facilement analyser, examiner les indicateurs de performance de son organisation en crant des rapports .

Avantages : plus rapide mettre en place, moins cher.

Inconvnient: temps de rponse plus long

M OLAP : Multidimensional On Line Analytical Processing

ORACLE Module EXPRESS

HYPERION Module ESSBASE

Avantages : performant

Inconvnients : plus cher, assez dur mettre en place.

Page 22 Avril 2002


23/30


.I.5 Phase dANALYSE :

.I.5.1 Schma

.I.5.2 Principe gnral du Data Mining :

Les entreprises stockent une quantit importante de donnes mais on peut constater que celles-ci ne constituent pas pour autant un

connaissance sur lactivit de lentreprise. Les outils du Data Mining permettent dextraire des informations forte valeur ajoute partir

des donnes.

Page 23 Avril 2002

Extract

Transform

Load

Cube

DataWareHouse

DWH

DM

DM


ORACLE

Excel

SYBASE

Cubes

Phase dAnalyse

Des Donnes

Requteur

Pilotage

Data Mining

Transformer linformation

en connaissances

Le DATA MINING

Identifier lopportunit

commerciale ou autre Agir sur les informations

Mesurer les rsultats des actions


24/30


.I.5.3 A quoi sert le Data Mining ?

Lobjectif principal du Data Mining est dexploit les donnes de son systme afin den tirer des informations susceptibles de nous donner un

avantage face la concurrence.

Le Data Mining permet de :

Fidliser et satisfaire les clients

Mieux cibler les efforts commerciaux

Amliorer la qualit des perstations

Dtecter des comportements frauduleux

Analyser les donnes techniques.

Le Data Mining est un processus automatis, il permet le passage de la donne brute une information daide la prise de dcision. A chaque tape,

on a une plus value informationnelle.

.I.5.4 Les tches du datamining

La classification

La mthode de Classification dfinit, priori, une partition dun ensemble clairement identifi. Elle permet laffectation dun nouvel objet

lune des classes de la partition.

Page 24 Avril 2002

Le Cercle Dcisionnel


25/30


Principes :

Dfinir prcisment les classes

Apprentissage avec une base dexemples pr classs

Mise au point dun modle pour classer les nouvelles donnes

Exemples :

Affectation de mots cls aux articles qui arrivent dans une rdaction de journal

Classification de demandeurs de crdit dans des classes de risque bas, de risque moyen et de risque haut

Lestimation

La mthode dEstimation se rfre des valeurs continues alors celle de Classification des vnements discrets.

Principe :Estimer une valeur continue qui dcrit un objet revient classer cet objet dans un ensemble partitionn en un nombre infini de classes.

Exemples :

La dure de vie dun client

La probabilit de rponse un mailing

La prdiction

Principe :

La Prdiction est assimilable au classement ou lestimation mais les objets sont classs en fonction dun comportement futur prdit.

On ne peut vrifier la prcision de la Classification ou de lEstimation quaprs coup.

Exemples :

Prdiction des clients qui vont disparatre dans 6 mois

Prdiction dun volume de vente dun produit dans les mois venir

Page 25 Avril 2002


26/30


Le groupement par similitude

Principe :

La mthode du groupement par similitude est de regrouper des objets qui vont naturellement ensemble pour dfinir des rgles dassociation.

Exemples :

Dans un supermarch, dterminer les produits qui se retrouvent dans le mme caddie

Dans une base de donnes de cinphiles, trouver les associations entre les films

Lanalyse des clusters

Principe :

LAnalyse des Clusters permet de dcouper posteriori une population htrogne en classes homognes.

Exemples :

En fonction de critres dachats dune voiture, faire une segmentation des acheteurs En fonction des notes obtenues dans diffrentes matires, faire une segmentation des tudiants

La description

Principe :

Il sagit de dcrire les donnes pour essayer de dcouvrir et de comprendre le processus qui est lorigine de ces donnes. Il sagit souvent

du dmarrage dune tude, o on a peu de connaissances sur le phnomne tudi.

Cette description permet denchaner sur une ou plusieurs des tches prcdemment dcrites.

.I.5.5 Mthodes du datamining

Infrences statistiques :

Estimations de paramtres

Page 26 Avril 2002


27/30


Thories des tests

Analyse de donnes :

Analyse en composantes principales

Analyse des correspondances

Analyse discriminante

Panier de la mnagre :

Principe :

On liste toutes les transactions (ensemble dobjets pris par un individu)

On dresse un tableau de co-occurrences des objets

On dtermine des rgles de la forme Si condition alors rsultats avec des taux de confiances et damlioration P1 = P(condition) P2 = P(rsultat) P3 = P(condition et rsultat)

Confiance = P3 / P1Amlioration = P3 / ( P1 * P2 )

Raisonnement bas sur la mmoire RBM :

Principe :

Le principe du RBM est de trouver les voisins dun nouvel enregistrement dans une base denregistrements connus ( la mmoire) des

fins de Classement ou de Prdiction.

Deux fonctions :

La fonction de distance entre deux enregistrements

La fonction de combinaison pour donner la rponse partir des rsultats obtenus sur les voisins :

- faire voter les k voisins les plus proches avec le poids 1/k, k impair

- affecter un poids chaque voisin de faon inverse proportionnellement la distance avec le nouvel enregistrement et faire voter

ces voisins avec ce poids

Page 27 Avril 2002


28/30


- utiliser des techniques de rgression

Dtection de clusters :

Cette mthode sert uniquement trouver, posteriori, des classes homognes.

On peut utiliser diffrentes mthodes :

la mthode des K-moyennes

la mthode des nues dynamique de M. E. Diday

Classification par agglomration (classification ascendante)

Arbre de Dcision :

Cest un outil de Prdiction et de Classification bas sur des rgles identifies grce une base pr classe.

Principe :

Construction dune arborescence qui, chaque niveau, maximise lexpression

Diversit (avant division) ( diversit (fils gauche) + diversit ( fils droit) )

Chaque feuille de larbre est affecte une classe avec un taux derreur

Rseau de Neurones :

Cest une mthode pour Prdire ou Classer sans avoir besoin de comprendre le pourquoi de la Prdiction ou du Classement.

Principe :

Le rseau est construit par apprentissage sur une base pr prdite ou pr classe

Cette mthode permet une meilleure approche des problmes non linaires.

Un neurone = des entres couples avec des poids + fonction de combinaison C + fonction de transfert F

Page 28 Avril 2002


29/30


S = F( Cp1,,pk(e1,,ek) )

Page 29 Avril 2002


30/30


.I.5.6 Tableau des appariements des techniques aux tches

On peut utiliser plusieurs techniques pour une mme tche. A nous de la choisir selon nos donnes de dpart et le rsultat attendu.

TchesTechniques

Classification Estimation Prdiction Groupe parSimilitudes

Analyse desClusters

Description

Statistiques

Normales

Panier de la

Mnagre

RBM Dtection des

Clusters

Arbres de

Dcision

Rseau de

Neurones

.I.5.7 Les outils

SAS Diffrents modules de SAS qui vont des statistiques gnrales aux tudes plus approfondies, telles que les diverses analyses ou les

rseaux de neurones.

Page 30 Avril 2002

Theorie Du Decisionnel Chaine

Documents

Transcript of Theorie Du Decisionnel Chaine