💻 computer science

A data-driven classifier integrating symmetric intuitionistic fuzzy TOPSIS with self-interactive sequential three-way decision

Cet article propose un classificateur binaire piloté par les données et sans fonction de perte qui intègre le processus TOPSIS flou intuitionniste symétrique à une décision tripartite séquentielle auto-interactive afin de surmonter les limitations existantes en utilisant des poids d'attributs objectifs, des mesures de distance équilibrées et une boucle de rétroaction interne pour un seuillage adaptatif, améliorant ainsi la performance et la robustesse de la classification.

Auteurs originaux : Yangyang Guo, Wenyan Xu, Qiang Chen

Publié 2026-07-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yangyang Guo, Wenyan Xu, Qiang Chen

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un responsable du recrutement essayant de décider qui embaucher à partir d'une pile de CV. Vous avez une liste de candidats (les données) et une liste de compétences à vérifier (les attributs). Votre objectif est de les trier en trois piles : Embaucher, Ne pas embaucher, et « Je ne suis pas sûr, regardons de plus près ».

Ce document présente une nouvelle façon plus intelligente de faire ce tri, appelée SIF-TOPSIS-S3WD. Elle combine trois idées puissantes pour rendre le processus de décision plus équitable, équilibré et résistant aux données désordonnées. Voici comment cela fonctionne, décomposé en étapes simples :

1. Le problème des anciennes méthodes

Les méthodes traditionnelles présentent souvent trois grands défauts :

Pondération subjective : La personne qui recrute peut deviner quelles compétences sont les plus importantes (ex : « Je pense que le codage est 50 % plus important que le travail d'équipe »). C'est biaisé.
Évaluation unidirectionnelle : Elles peuvent se concentrer trop sur les « bons » traits et ignorer les « mauvais », ou inversement, menant à une vision déséquilibrée.
L'effet « boule de neige » : Certaines méthodes tentent de résoudre le cas des candidats « incertains » en ajoutant plus de questions une par une. Si vous vous trompez sur les premières réponses, ces erreurs s'accumulent, rendant la décision finale pire.

2. La nouvelle solution : Un processus en trois étapes

Les auteurs proposent un système qui corrige ces problèmes en utilisant trois étapes principales :

Étape 1 : Laisser les données décider de l'importance (Pondération objective)

Au lieu qu'un humain devine quelles compétences comptent le plus, le système utilise un outil mathématique appelé Entropie de Shannon (pensez à un « compteur de chaos »).

L'analogie : Imaginez que vous jugiez un concours de cuisine. Si tous les participants utilisent le sel exactement de la même manière, le sel n'est pas un bon moyen de les distinguer. Mais si certains en utilisent beaucoup et d'autres pas du tout, le sel devient un facteur très important.
Comment ça marche : Le système examine les données. Si une compétence varie énormément entre les candidats, le système lui attribue un poids élevé (elle est très importante). Si tout le monde est identique sur une compétence, le système lui donne un poids faible (elle n'aide pas à la distinction). Cela élimine le biais humain.

Étape ge 2 : L'équilibre parfait (TOPSIS intuitionniste floue symétrique)

Une fois les poids fixés, le système doit évaluer les candidats. Il utilise une méthode appelée TOPSIS, qui consiste à chercher le « Candidat Parfait » et le « Pire Candidat » dans la pièce.

L'analogie : Imaginez une balance. D'un côté se trouve l'« Héros Idéal » (compétences parfaites, aucun défaut). De l'autre, l'« Idéal de l'Antagoniste » (pires compétences, défauts maximaux).
L'innovation : La plupart des anciennes méthodes ne regardent que la proximité avec le Héros. Cette nouvelle méthode regarde les deux côtés de manière égale. Elle demande : « À quel point êtes-vous proche du Héros, ET à quel point êtes-vous loin de l'Antagoniste ? »
Le résultat : Elle calcule un score de « Proximité Relative ». Cela garantit qu'avoir un léger défaut ne vous pénalise pas injustement, et avoir un léger avantage ne vous donne pas un passe injustifié. Elle traite les preuves « bonnes » et « mauvaises » de manière symétrique.

Étape 3 : La boucle d'autocorrection (Décision tripartite séquentielle auto-interactive)

Maintenant, le système a un score pour tout le monde. Mais que faire des personnes qui se trouvent au milieu ?

L'ancienne méthode : Les méthodes traditionnelles pourraient ajouter plus de questions (attributs) au groupe « incertain ». Si vous posez une mauvaise question, vous pourriez mal classer quelqu'un, et cette erreur se répercute sur l'étape suivante.
La nouvelle méthode : Ce système utilise une Boucle Auto-interactive.
- Il prend le groupe « incertain » et demande : « Quel est le meilleur moyen de diviser ce groupe spécifique en ce moment ? »
- Il n'ajoute pas de nouvelles questions. Au lieu de cela, il ajuste dynamiquement les seuils (la note de passage) en fonction des scores actuels du groupe.
- Il crée une boucle de rétroaction : il essaie différents seuils de passage, voit lequel crée la division la plus juste, et le verrouille.
- Le bénéfice : Comme il n'ajoute pas de nouvelles questions (ce qui pourrait introduire des erreurs), il évite l'« effet boule de neige » des erreurs de classification. Il affine la décision en utilisant les mêmes informations, mais en les regardant à travers un prisme plus intelligent à chaque fois.

3. Est-ce que cela a fonctionné ? (Les résultats)

Les auteurs ont testé ce nouveau « Responsable du Recrutement » sur neuf ensembles de données réelles (comme des données médicales pour le cancer du sein ou le diabète).

Performance : Il a très bien performé, battant souvent des méthodes standards comme les Forêts Aléatoires (Random Forests) ou le TOPSIS de base. Il était particulièrement efficace pour trouver les cas « positifs » (un Rappel élevé), ce qui signifie qu'il a rarement manqué un candidat qui aurait dû être embauché.
Robustesse : Ils ont testé ce qui se passe si les données sont « sales » (bruitées, valeurs manquantes ou aberrantes). Même lorsque les données étaient corrompues, cette nouvelle méthode est restée stable et n'a pas planté, alors que les anciennes méthodes avaient plus de mal.

Résumé

En bref, ce document construit un classificateur qui :

Ne devine pas quelles caractéristiques sont importantes (il les calcule).
Équilibre les preuves bonnes et mauvaises de manière égale (pas de biais).
Affine les décisions en ajustant les règles pour le groupe « incertain », plutôt qu'en ajoutant des questions potentiellement confuses.

Le résultat est un outil de prise de décision plus juste, plus précis et plus résistant face aux données désordonnées.

Résumé Technique : Un Classificateur Piloté par les Données Intégrant le TOPSIS Flou Intuitionniste Symétrique avec une Décision Tripartite Séquentielle Auto-Interactive

Énoncé du Problème
Les tâches de classification binaire sont souvent confrontées à des défis liés à l'incertitude, à l'hésitation et au chevauchement des frontières de classes. Bien que les méthodes existantes comme la régression logistique et les machines à vecteurs de support soient efficaces, elles peuvent éprouver des difficultés face à des formes complexes d'incertitude. Les ensembles flous et les décisions tripartites séquentielles (S3WD) offrent des extensions théoriques pour traiter ces problèmes. Cependant, les approches actuelles souffrent de limitations spécifiques :

Subjectivité et Biais : Les méthodes IF-TOPSIS (Intuitionistic Fuzzy TOPSIS) reposent souvent sur des poids d'attributs subjectifs ou des formules de proximité asymétriques qui introduisent un biais directionnel.
Accumulation de Erreurs de Classification : Les modèles S3WD traditionnels résolvent généralement les instances ambiguës en augmentant progressivement l'ensemble d'attributs. Cela peut conduire à une faible précision de décision aux stades initiaux et à l'accumulation d'erreurs de classification à mesure que les attributs sont ajoutés.
Dépendance aux Seuils : Les modèles S3WD existants dépendent fortement de fonctions de perte pour déterminer les seuils, qui sont soit définis manuellement, soit coûteux à dériver par calcul.
Manque d'Intégration : Il existe une exploration insuffisante de l'intégration de la pondération objective des attributs avec le processus de trisection dans les contextes de classification basés sur TOPSIS.

Méthodologie
Le document propose un cadre unifié piloté par les données appelé SIF-TOPSIS-S3WD, qui intègre le TOPSIS flou intuitionniste symétrique avec un mécanisme de décision tripartite séquentielle auto-interactive. La méthodologie se déroule en trois étapes distinctes :

Détermination Objective des Poids :
Au lieu d'une pondération manuelle, les auteurs emploient une méthode améliorée basée sur l'entropie de Shannon dans un environnement flou intuitionniste. Cette approche calcule des mesures d'information élémentaires ( $E_{ij}$ ) basées sur les degrés d'appartenance, de non-appartenance et d'hésitation. Ces mesures sont normalisées pour calculer les valeurs d'entropie, qui sont ensuite utilisées pour dériver les poids objectifs des attributs. Les poids sont intégrés dans la matrice de décision via une opération de puissance de type Atanassov, ce qui renforce les attributs à poids élevé et supprime les attributs à faible poids tout en préservant la structure floue intuitionniste.
TOPSIS Flou Intuitionniste Symétrique :
Le cadre calcule un degré de proximité relative symétrique pour chaque objet. Contrairement au TOPSIS traditionnel, cette méthode :
- Identifie dynamiquement les Solutions Idéales Positives (PIS) et les Solutions Idéales Négatives (NIS) basées sur les scores d'efficacité nette ( $\mu' - \nu'$ ) plutôt que sur des types d'attributs prédéfinis.
- Utilise une métrique symétrique de type max pour calculer les distances par rapport aux PIS et aux NIS. Cette métrique traite les écarts dans les degrés d'appartenance et de non-appartenance de manière égale, éliminant ainsi le biais directionnel.
- Calcule un degré de proximité relative ( $T_i$ ) qui reflète à la fois l'attraction vers l'idéal positif et la répulsion vis-à-vis de l'idéal négatif.
Décision Tripartite Séquentielle Auto-Interactive (S3WD) :
Plut plutôt que d'élargir l'ensemble des attributs, le classificateur opère sur un ensemble fixe d'attributs. Il transforme les degrés de proximité relative continus en décisions de classification hiérarchiques (Régions Positive, Négative et Frontière) via une boucle de rétroaction interne :
- Parcours de Seuils : Une grille finie de paires de seuils candidates $(\alpha, \beta)$ est générée en fonction du nombre d'objets dans la région frontière actuelle.
- Évaluation de Probabilité : Pour chaque objet, des fonctions d'évaluation de probabilité ( $h_1, h_2, h_3$ ) sont dérivées du degré de proximité relative pour estimer la probabilité d'appartenance aux régions positive, négative ou frontière.
- Trisection Optimale : Une mesure de trisection-évaluation ( $H$ ) quantifie la qualité des différentes combinaisons de seuils. L'algorithme sélectionne de manière itérative la paire de seuils qui maximise $H$ , créant un processus de décision adaptatif sans fonction de perte.
- Terminaison : Le processus se répète sur les objets frontières restants jusqu'à convergence ou jusqu'à ce qu'aucune trisection optimale unique ne puisse être déterminée, évitant intrinsèquement l'accumulation d'erreurs de classification associée à l'expansion progressive des attributs.

Contributions Clés
Le papier identifie trois contributions principales :

Pondération Objective : Une approche améliorée de l'entropie de Shannon floue intuitionniste est introduite pour déterminer les poids des attributs de manière objective en incorporant l'information d'hésitation, réduisant ainsi le biais subjectif commun dans les modèles IF-TOPSIS conventionnels.
Évaluation Symétrique : Un degré de proximité relative symétrique basé sur une distance de type max est proposé. Cela impose une pénalisation équilibrée sur les écarts d'information d'appartenance et de non-appartenance, améliorant la cohérence géométrique.
S3WD Sans Fonction de Perte : Un nouveau cadre de décision tripartite séquentiel est construit, reposant sur les degrés de proximité relative et un mécanisme auto-interactif interne. Il génère des décisions hiérarchiques avec des seuils dynamiques adaptatifs sur un ensemble d'attributs fixe, évitant naturellement le risque d'accumulation d'erreurs de classification présent dans les contextes S3WD traditionnels.

Résultats Expérimentaux
Le classificateur proposé a été évalué sur neuf jeux de données de classification binaire du dépôt UCI Machine Learning Repository (ex: Wdbc, Breast, Glioma, German).

Performance : La méthode a obtenu des résultats compétitifs, particulièrement en termes de Rappel (Recall) et de Score F1. Elle a obtenu les meilleurs résultats ou des résultats ex æquo sur plusieurs jeux de données (Breast, Glioma, German, Statlog) et a démontré le rappel moyen le plus élevé parmi les méthodes comparées. Bien que le Naive Bayes ait montré une précision moyenne plus élevée dans certaines métriques, le SIF-TOPSIS-S3WD a offert un équilibre favorable entre précision et rappel.
Robustesse : Sous des perturbations mixtes de caractéristiques (bruit gaussien, valeurs manquantes et valeurs aberrantes) à des niveaux allant jusqu'à 30 %, la méthode proposée a maintenu des performances stables. Elle s'est systématiquement classée parmi les trois meilleures méthodes à travers les niveaux de perturbation, surpassant les variantes traditionnelles de TOPSIS qui se sont révélées plus sensibles à la corruption des données.
Sensibilité : L'analyse de sensibilité concernant le paramètre d'hésitation ( $\pi$ ) a indiqué que la valeur optimale dépend du jeu de données, suggérant la nécessité d'un réglage piloté par les données plutôt que d'une constante universelle.

Signification et Revendications
Les auteurs affirment que la synergie entre la représentation floue intuitionniste symétrique et les décisions tripartites séquentielles fournit un cadre robuste et interprétable pour la classification binaire. La signification de ce travail réside dans :

Le passage d'un classement orienté IF-TOPSIS à un mécanisme de classification hiérarchique.
La fourniture d'une alternative sans fonction de perte aux modèles S3WD traditionnels, éliminant le besoin de spécification manuelle de la fonction de perte.
L'atténuation du problème d'accumulation d'erreurs de classification en opérant sur un ensemble d'attributs fixe avec des seuils adaptatifs plutôt que par expansion progressive des attributs.
La démonstration que le classificateur offre une approche pilotée par les données et sensible aux poids, compétitive en termes de performance et de robustesse contre la contamination des données.

Le papier conclut modestement, notant que bien que la méthode soit compétitive, elle n'est pas uniformément dominante sur tous les jeux de données et métriques. Des travaux futurs sont suggérés pour étendre le cadre aux réglages multi-classes et explorer des mécanismes d'apprentissage pour déterminer le degré d'hésitation.