文摘
En tant que contribution pour lamelioration du service clients aux detenteurs davions, ce modele de prediction et de classification des visites moteurs a ete inspire des machines a vecteur de support SVM) afin dunifier les methodes de prediction des visites en usines. Ainsi, un tout nouveau modele de classification de haut niveau pour la prediction des visites de maintenance des moteurs davion en atelier se presente, permettant egalement lidentification des types de maintenances effectuees. Les SVM classiques permettent de resoudre des problemes de classification binaire, mais comme le probleme aborde nest pas de type binaire, certaines modifications sont necessaires sur les SVM afin de les rendre plus flexibles et efficaces pour resoudre des problemes de classes multiples. Les resultats de lexperimentation effectuee sur le modele de prediction et de classification des visites moteurs demontrent lefficacite du modele, ainsi que sa performance, sur des modeles multi-classes. Ces derniers sont beaucoup plus appropries que dautres resultats obtenus en utilisant les arbres de decision, ou encore lalgorithme des K plus proches voisins. Lun des plus grands avantages de cette methode, comparativement aux methodes traditionnelles de classification et de prediction, est quelle permet de soutirer les relations presentent dans la structure arborescente et dainsi deduire les relations entre les classes dans les noeuds de larbre. Ceci constitue une percee importante dans lavancement des techniques dapprentissage automatique qui utilisent un historique de donnees pour classer ou predire les valeurs futures qui risquent detre rencontrees. Il sagit egalement dun point tournant dans le passage dun travail laborieux effectue manuellement par des experts a un algorithme performant qui deduit lui-meme les regles intrinseques enfouies dans un entrepot de donnees.