Arbre de décision & Algorithmes de Data Mining

Segmentation par arbre de décision interactif

• Discriminante et régression par arbre de décision selon les méthodes CART, CHAID, AID, C4.5 ;
• Edition graphique spécifique pour visualiser et modifier de façon interactive un arbre de décision : élagage, choix des variables de coupure, modification des seuils, regroupement de modalités ;
• Comparaison à tout moment de l’impact des modifications sur la qualité de l’arbre de décision par comparaison des matrices de confusion avant et après modifications interactives ;
• Génération de règles SQL en mode « Select » ou « Update » à partir de l’arbre de décision initial ou modifié.

Typologies par arbre de décision avec ICT

• Classification descendante hiérarchique utilisant conjointement les propriétés des analyses factorielles et des arbres de décision ;
• Typologie basée soit sur des variables qualitatives (ACM préalable) soit sur des variables quantitatives (ACP préalable) ;
• Résultats et interface graphique analogues aux arbres de décision.

Règles d’association

• Recherche d’associations au sein de données transactionnelles (tickets de caisse). Possibilité de regrouper les données à chaud selon une table de recodages (Méta data) ;
• Recherche des associations de modalités dans un tableau individus x variables ;
• Editeur interactif pour sélectionner des règles selon des filtres statistiques ou des règles métiers.

Réseaux Bayésiens

• Construction du réseau initial selon la méthode « Bayésien naïf », « parent caché », « augmenté par arbre de décision » ou « augmenté par forêt » ;
• Editeur interactif du réseau permettant d’affiner le modèle selon des règles statistiques ou des règles métiers.

Réseaux de neurones

• Classification ou régression par réseau de perceptron multicouches ;
• Recherche automatique de la meilleure architecture du réseau ;
• Plusieurs types de fonctions d’activation : tangente hyperbolique, sigmoïde, softmax, logarithmique ;
• Algorithmes d’apprentissage performants : back propagation, resilient back propagation, scaled conjuged gradient… ;
• Représentation graphique du réseau.

SVM (Support vector machines)

• Classification ou régression par algorithmes de « séparateurs à vaste marge » (C-SVC – Nu-SVC / Epsilon-SVR – Nu-SVR) ;
• Plusieurs types de noyaux : linéaire, polynomial, RBF, sigmoïde ;
• Recherche automatique des valeurs optimales des paramètres ;
• Visualisation graphique de la qualité du modèle.

Ce module est disponible à partir de la version SPAD Data Mining du logiciel SPAD.