MODL, de Marc BOULLÉ

Orange LABS Lannion

Les algorithmes EDGE-ML de discrétisation, de groupage, d'extraction de règles séquentielles et de classification supervisée ont été développés par Alexis BONDU à partir de l'approche MODL, élaborée et publiée par Marc BOULLÉ d'ORANGE LABS Lannion.

MODL est une approche Bayésienne de sélection de modèles. Sa singularité tient à un formalisme mathématique à la croisée du Machine Learning et de la Théorie de l'Information. Cette approche d'une grande élégance est dépourvue de paramètres de régularisation à ajuster empiriquement (pas de grid-search), et prémunit du risque de sur-apprentissage. MODL produit des modèles fondés mathématiquement qui offrent un excellent compromis entre précision, robustesse et rapidité.

Pour plus d'information :

[1]  M. Boullé. MODL: a Bayes optimal discretization method for continuous attributes. Machine Learning, 65(1):131-165, 2006.
[2]  M. Boullé. A Grouping Method for Categorical Attributes Having Very Large Number of Values. ICDM, LNAI, Volume 3587, 2005.
[3]  M. Boullé. Compression-Based Averaging of Selective Naive Bayes Classifiers. Journal of Machine Learning Research, 8:1659-1685, 2007.
[4]  M. E. Egho, D. Gay, N. Voisine, M. Boullé, F. Clérot. A Parameter-Free Approach for Mining Robust Sequential Classification Rules. ICDM 2015.