MODÉLISATION ET OPTIMISATION D’UN MODÈLE HYBRIDE D’APPRENTISSAGE AUTOMATIQUE BASÉ SUR LA COMBINAISON DES CLASSIFIEURS VIA BASSAMOD. (Application à analyse des Données Épidémiologique)

Abstract

Ce travail porte sur la modélisation et l’optimisation de Bassamod, un modèle hybride d’apprentissage automatique appliqué à des données épidémiologiques. Il part du constat que les classificateurs individuels présentent certaines limites lorsqu’ils sont confrontés à des données complexes, bruitées, hétérogènes et non linéaires. La recherche vise donc à concevoir un modèle capable d’améliorer la précision, la robustesse et la capacité de généralisation des prédictions.
L’hypothèse principale stipule que la combinaison hiérarchique et dynamique de plusieurs classificateurs complémentaires permet d’améliorer les performances globales. Le modèle repose sur une architecture série-parallèle-série. La première couche utilise un arbre de décision afin d’orienter et de structurer les données. La deuxième couche met en parallèle plusieurs classificateurs hétérogènes : la régression logistique, les K plus proches voisins (KNN), la forêt aléatoire (Random Forest) et le Gradient Boosting. La troisième couche repose sur une fusion adaptative assurée par un méta-classificateur fondé sur le Gradient Boosting.
Cette structure permet d’exploiter la diversité, la complémentarité et l’adaptabilité des différents modèles. Sur le plan théorique, Bassamod s’inspire des approches de bagging, de boosting et de stacking, tout en les enrichissant par une orientation initiale des données. Son objectif est de réduire le biais, la variance ainsi que les erreurs de classification.
L’implémentation a été réalisée en Python, à l’aide d’outils tels que Pandas, NumPy et Scikit-learn. Les données ont été prétraitées, normalisées, puis divisées en ensembles d’entraînement et de test. Les résultats montrent que le KNN atteint une précision de 89,4 %, tandis que l’arbre de décision et la forêt aléatoire atteignent une précision de 100 % sur les données évaluées. Le modèle hybride Bassamod obtient une précision de 1,00, ainsi qu’une précision (precision), un rappel (recall) et un score F1 également égaux à 1,00. Les 337 observations de la classe 0 et les 163 observations de la classe 1 ont toutes été correctement classifiées. Une nouvelle observation a également été correctement prédite, confirmant ainsi la capacité opérationnelle du modèle.
Ces résultats valident les hypothèses initiales et démontrent l’intérêt d’une combinaison intelligente de plusieurs classificateurs. Toutefois, une performance parfaite doit être interprétée avec prudence, car elle peut être révélatrice d’un surapprentissage (overfitting).
En conclusion, Bassamod apparaît comme une solution innovante, robuste et prometteuse pour l’analyse prédictive des données épidémiologiques.