Proposition d'une approche hybride de sélection de caractéristiques dans l'apprentissage automatique.

Abstract

Ce projet aborde le défi de la sélection de caractéristiques dans le machine learning, avec pour objectif d'améliorer la précision des modèles tout en réduisant leur complexité. Nous avons développé une approche hybride combinant la Recherche Taboue itérative et la Recursive Feature Elimination (RFE) pour exploiter leurs avantages respectifs. Notre objectif principal est de maximiser la précision des modèles tout en minimisant le nombre de caractéristiques, répondant ainsi aux défis de l'optimisation multi-objective dans le domaine de l'apprentissage automatique. Notre approche a été testée sur les datasets de Reconnaissance d'Activités Humaines (HAR) et de Classification de la Maladie de Parkinson, démontrant des améliorations significatives et validant son efficacité. Les résultats montrent que notre méthode hybride de sélection de caractéristiques conduit à une précision de classification supérieure, offrant une solution plus efficace et robuste.