Abstract FR:

Les graphes d'induction en apprentissage ont fait l'objet de tres nombreuses publications et ont atteint aujourd'hui un haut niveau de sophistication. Dans cette these, nous proposons une vision federatrice de ces travaux sur les vingt dernieres annees. Certains d'entre eux reposent sur des arguments theoriques forts ; d'autres, plus folkloriques, s'appuient sur le bon sens et une amelioration des performances sur les bases de donnees exemples. En proposant un cadre commun d'etude de ces approches, ou du moins en essayant de situer le contexte de leur developpement, nous constatons souvent qu'elles se rejoignent en cherchant a donner certaines qualites aux graphes construits. Notre objectif a ete de produire un document de travail faisant un etat de l'art approfondi en delimitant au mieux les champs que nous couvrons (l'evaluation empirique des predicteurs, les mesures d'evaluation des partitions, la detection de la taille optimale des graphes, l'extraction des regles, la generalisation des arbres de decision aux graphes d'induction, la construction iterative de variables de synthese, l'agregation des classifieurs) afin d'une part de situer les etudes presentes, d'autre part de definir, en connaissance de cause, les axes de recherche futurs. Notre principale conclusion est que les graphes construits de maniere classique, a partir d'un apprentissage unique sur un echantillon de la population originelle, sont proches de leurs limites en ce qui concerne le taux de reconnaissance en generalisation ; la reduction de la taille du predicteur en revanche connait encore des ameliorations significatives mais repose essentiellement sur des validations empiriques. Notre recherche a ete le cadre du developpement d'une plate-forme logicielle pour la comparaison de methodes et l'extraction automatique de connaissances, sipinaw, que nous diffusons dans le monde a travers l'internet.