blob: 7fe5e7bcfb19e0b42709b393ab60900ed8f41af3 (
plain)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
|
\begin{frame}
\frametitle{Etude des CCA}
\begin{definition}
Un CCA est un classifieur ayant une \emph{prédiction indépendante de l'étiquette}.
C'est-à-dire que pour un classifieur $f: E\rightarrow F$.
Avec une étiquette $Y:\Omega\rightarrow F$
et une entrée $X:\Omega\rightarrow E$.
Alors pour $\hat{Y}=f\circ X$, nous avons
\emph{$P_{(Y,\hat{Y})} = P_Y\otimes P_{\hat{Y}}$}
\end{definition}
\pause
\begin{lemma}
\label{lemme:aia-xycca}
Soit $(\Omega,\mathcal{T},P)$ un espace probabilisé.
Soient $X:(\Omega,\mathcal{T}) \rightarrow (E,\mathcal{E})$ et $Y:\Omega \rightarrow (F,\mathcal{F})$ des variables aléatoires.
Les deux propositions suivantes sont équivalentes :
\begin{enumerate}
\item $P_{(X,Y)} = P_X\otimes P_Y$.
\item Toute fonction mesurable $f:(E,\mathcal{T})\rightarrow (F,\mathcal{F})$ est un CCA pour prédire $Y$ à partir de $X$.
\end{enumerate}
\end{lemma}
\end{frame}
\begin{frame}
\frametitle{Etude des CCA}
\begin{propriete}
\label{prop:CCA_BA}
Les CCA ayant comme image $ F$ ont une exactitude équilibrée égale à $\frac{1}{\# F}$.
\end{propriete}
\pause
\begin{theorem}
\label{th:fini-bacca}
En notant $BA(f)$ l'exactitude équilibrée de $f$.
\begin{equation*}
\forall f~BA(f)=\frac{1}{\#F} \iff
\forall f~\text{$f$ est un CCA}
\end{equation*}
\end{theorem}
\end{frame}
\begin{frame}
\frametitle{Nouvelle contribution : Classification finie}
\input{tikz/ef}
\vspace{20px}
$n^m$ applications à essayer !\\
\vspace{20px}
Plan:
\begin{itemize}
\item Problème introductif : Accuracy $P(Y=f\circ X)$
\item Balanced accuracy (plus dure !) $\frac{1}{n}\sum_{i\in F}P(f\circ X=i|Y=i)$
\item ?
\end{itemize}
\end{frame}
|