Classification et forêts aléatoires : Application à l’aide à la décision chirurgicale du genou par arthroplastie

Ce mémoire s'inscrit dans le cadre de l'apprentissage statistique des données pour le développement de système d’aide à la décision. Plus spécifiquement, il est consacré à l'étude des forêts aléatoires qui constituent l'un des plus récents algorithmes de la famille des méthodes de classification des formes. L’objectif étant d’utiliser les forêts aléatoires, qui utilisent le vote majoritaire uniforme d’arbres de décision, pour classifier des patients ayant une arthrose au genou selon deux classes : une classe de sujets chirurgicaux pour une arthroplastie du genou et une classe de sujets non chirurgicaux. La classification se base sur les données cinématiques du genou du patient enregistrées dans les plans suivants : frontal, sagittal et transversal. Ces données correspondent respectivement au mouvement tibiofémoral d’abduction/adduction, de flexion/extension et de rotation interne et externe durant une tache de marche normale. Quatre-vingt-neuf (89) sujets dont quarante-huit (48) chirurgicaux et quarante-et-un (41) patients non chirurgicaux ont participé à ce projet de recherche. Les données initialement fusionnées, sont scindées en deux jeux de données dont le premier a servi à l’échantillon d’entrainement en vue de concevoir un modèle décisionnel d'aide à la décision de l’arthroplastie du genou. La procédure de classement suit un cheminement simple qui est formé par un test concernant les prévisions. Le patient à classer est dirigé selon la valeur de son attribut vers la branche adéquate, pour y être soumis le cas échéant à un nouveau test, et ce jusqu'à atteindre une feuille terminale. L'attribution de l'étiquette de classe est effectuée à travers un vote majoritaire. L’objectif est d’utiliser ce modèle pour décider à quelle classe affecter de futures (nouvelles) données. Le second jeu de données ou échantillon de test a servi à identifier les sujets chirurgicaux ou non-chirurgicaux avec l'étiquette de classe attribuée aux participants via un vote à majorité simple basé sur le modèle réalisé avec le sous-ensemble de l'échantillon d'apprentissage. Cette identification nous a permis par la suite, de valider notre modèle décisionnel par une matrice de confusion et des tests statistiques d’hypothèses des forêts aléatoires en termes de sensibilité, spécificité et le taux de classification correcte