Résumé

Devant le nombre d’algorithmes de classification existants, trouver l’algorithme qui sera le plus adapté pour classer un corpus de documents est une tâche difficile. La méta- classification apparaît aujourd’hui très utile pour aider à déterminer, en fonction des expé- riences passées, quel devrait être l’algorithme le plus pertinent par rapport à notre corpus. L’idée sous jacente est que “si un algorithme s’est montré particulièrement adapté pour un cor- pus, il devrait avoir le même comportement sur un corpus assez similaire”. Dans cet article, nous proposons de nouveaux méta-descripteurs reposant sur les notions de similarités pour améliorer l’étape de méta-classification. Les expérimentations menées sur différents jeux de données réelles montrent la pertinence de nos nouveaux descripteurs.

Abstract

Given the number of existing classification algorithms, finding the most appropriate for classifying a new corpus is a difficult task. Meta-classification appears today very useful to help to determine, by using past experiences, what should be the most suitable algorithm com- pared to our corpus. The underlying idea is that “if an algorithm was particularly suitable for a corpus, it should have the same behavior on a quite similar corpus.”. In this paper, we propose new meta-descriptors based on the concept of similarity to improve the meta-classification step. Conducted experiments on real dataset show the relevance of our new meta-descriptors.