Choix d'un classifieur en discrimination

Dans cette these, nous nous posons le probleme de la determination du classifieur le plus adapte a resoudre un probleme donne de discrimination. Le choix du classifieur est deja guide par des contraintes operationnelles, mais au-dela de ces contraintes, et apres que le classifieur a ete configure grâce a une base d'apprentissage, c'est le taux de generalisation du classifieur (ou taux de reussite) qui est le critere caracterisant sa performance. Ce taux, generalement inconnu, est estime a l'aide d'une base de generalisation. Cette estimation depend donc du probleme de discrimination etudie, du classifieur utilise, de la base d'apprentissage et de la base de generalisation. Ces differentes dependances sont etudiees soit theoriquement, soit de maniere experimentale, sur une douzaine de classifieurs differents, neuronaux et classiques. Le probleme de la validite de la comparaison de deux classifieurs par les estimations de leur taux de generalisation est aussi etudie, et nous obtenons des informations sur les tailles relatives a donner aux bases d'apprentissage et de generalisation. Dans un objectif de comparaison de classifieurs, Neuroclasse, un outil logiciel donnant la possibilite de tester un grand nombre de classifieurs differents, a ete developpe, et est precisement decrit. Dans Neuroclasse est aussi integre un systeme pour la determination automatique du classifieur fournissant le meilleur taux de generalisation estime sur une base de generalisation fixee. Ce systeme est implante sous forme d'un systeme expert. Ce systeme, teste sur differentes bases de donnees, donne de bons resultats, mais met en evidence un phenomene d'apprentissage de la base de generalisation, du aux tests successifs de nombreux classifieurs sur une meme base de generalisation. Nous etudions ce phenomene experimentalement, et nous donnons un ordre de grandeur du nombre de classifieurs qu'il est possible de tester en limitant cet effet