TP 9 : Arbres de décision ID3

Introduction

Dans ce TP, nous allons implémenter l'algorithme ID3 pour classifier les survivants du Titanic. On rappelle que c'est un algorithme de classification supervisée : à partir de données d'entraînement connues, il construit un arbre de décision permettant de prédire la classe d'une nouvelle donnée.

Partie 1 : Découverte des données

1. Créer un nouveau Codespace sur https://github.com/mpi-lamartin/titanic. Lire le README.md pour comprendre la structure du code. Compiler et exécuter le code fourni en exemple qui classifie les femmes comme survivantes.

2. Créer un fichier src/id3.ml dans lequel vous allez écrire le code du TP. Ajouter open Csv_loader et chargez les données d'entraînement et de test. Vous pouvez vous inspirer de woman_survive.ml.

3. Écrire une fonction stats qui affiche le nombre de survivants et de décédés dans les données d'entraînement. On rappelle qu'on peut afficher une variable x avec : Printf.printf "valeur de x : %d\n" x.

val stats : passenger list -> unit

Survivants: 342, Décédés: 549

Pour compiler et exécuter votre code, vous pouvez modifier le fichier Makefile en remplaçant woman_survive.ml par id3.ml, puis utiliser dans le terminal :

make run

Partie 2 : Attributs catégoriels

Pour construire un arbre de décision, nous devons transformer les attributs numériques en attributs catégoriels. Par exemple, l'âge sera transformé en catégories : "child" ($< 18$ ans), "adult" ($18-60$ ans), "senior" ($> 60$ ans).

On définit un type attribute des attributs que l'on utilisera pour construire l'arbre de décision :

type attribute =
  | Sex        (* "male" ou "female" *)
  | Pclass     (* "1", "2" ou "3" *)
  | AgeGroup   (* "child", "adult", "senior", "unknown" *)
  | FamilySize (* "alone", "small", "large" *)
  | Embarked   (* "S", "C", "Q", "unknown" *)
  | FareGroup  (* "low", "medium", "high", "unknown" *)

4. Écrire une fonction attribute_values qui retourne la liste des valeurs possibles pour un attribut :

val attribute_values : attribute -> string list

attribute_values Sex       (* = ["male"; "female"] *)
attribute_values Pclass    (* = ["1"; "2"; "3"] *)
attribute_values AgeGroup  (* = ["child"; "adult"; "senior"; "unknown"] *)
attribute_values FamilySize (* = ["alone"; "small"; "large"] *)

5. Écrire une fonction get_attribute_value qui retourne la valeur d'un attribut pour un passager :

val get_attribute_value : attribute -> passenger -> string

Les règles de conversion sont :

• AgeGroup : "child" si $\text{age} < 18$, "adult" si $18 \leq \text{age} \leq 60$, "senior" sinon
• FamilySize : "alone" si $\text{sibsp} + \text{parch} = 0$, "small" si $\leq 3$, "large" sinon
• FareGroup : "low" si $\text{fare} < 10$, "medium" si $10 \leq \text{fare} \leq 50$, "high" sinon

Pour le passager n°1 (Braund, Mr. Owen Harris - homme, 22 ans, classe 3, sibsp=1, parch=0, fare=7.25, embarqué à S) :

get_attribute_value Sex p1        (* = "male" *)
get_attribute_value Pclass p1     (* = "3" *)
get_attribute_value AgeGroup p1   (* = "adult" car 18 ≤ 22 ≤ 60 *)
get_attribute_value FamilySize p1 (* = "small" car 1+0=1 ≤ 3 *)
get_attribute_value FareGroup p1  (* = "low" car 7.25 < 10 *)
get_attribute_value Embarked p1   (* = "S" *)

Partie 3 : Entropie et gain d'information

L'algorithme ID3 utilise l'entropie pour mesurer l'entropie $S$ d'un ensemble de données, définie par :

$$H(S) = -\sum_{c \in \{0, 1\}} p_c \log_2(p_c)$$

où $p_c$ est la proportion d'éléments de classe $c$ (survived) dans $S$. Par convention, $0 \log_2(0) = 0$.

6. Écrire une fonction entropy qui calcule l'entropie d'une liste de passagers :

val entropy : passenger list -> float

entropy train (* = 0.9607 *)

Indication : On peut calculer $\log_2(x)$ avec log x /. log 2.0 et convertir un entier n en float avec float_of_int n.

Le gain d'information d'un attribut $A$ par rapport à un ensemble $S$ mesure la réduction d'entropie obtenue en divisant $S$ selon les valeurs de $A$ :

$$IG(S, A) = H(S) - \sum_{v \in \text{valeurs}(A)} \frac{|S_v|}{|S|} H(S_v)$$

où $S_v = \{x \in S \mid A(x) = v\}$ est le sous-ensemble des éléments ayant la valeur $v$ pour l'attribut $A$.

7. Écrire une fonction information_gain qui calcule le gain d'information d'un attribut :

val information_gain : passenger list -> attribute -> float

information_gain train Sex        (* = 0.2177 *)
information_gain train Pclass     (* = 0.0838 *)
information_gain train AgeGroup   (* = 0.0162 *)
information_gain train FamilySize (* = 0.0608 *)
information_gain train Embarked   (* = 0.0240 *)
information_gain train FareGroup  (* = 0.0916 *)

8. Écrire une fonction best_attribute qui trouve l'attribut avec le meilleur gain d'information parmi une liste d'attributs :

val best_attribute : passenger list -> attribute list -> attribute option
(* Retourne None si aucun attribut n'a un gain > 0 *)

let all_attrs = [Sex; Pclass; AgeGroup; FamilySize; Embarked; FareGroup] in
best_attribute train all_attrs (* = Some Sex, car Sex a le gain le plus élevé : 0.2177 *)

Partie 4 : Construction de l'arbre

Un arbre de décision est soit une feuille (prédiction), soit un nœud interne (test sur un attribut).

9. Définir le type decision_tree :

type decision_tree =
  | Leaf of int                                    (* Prédiction : 0 ou 1 *)
  | Node of attribute * (string * decision_tree) list  (* Attribut et branches *)

10. Écrire une fonction majority_class qui retourne la classe majoritaire (0 pour décédé, 1 pour survivant) d'un ensemble de passagers :

val majority_class : passenger list -> int

majority_class train (* = 0, car 549 décédés > 342 survivants *)

(* Pour un sous-ensemble de femmes de 1ère classe *)
let femmes_1ere = List.filter (fun p -> p.sex = "female" && p.pclass = 1) train in
majority_class femmes_1ere (* = 1, car la plupart ont survécu *)

11. Écrire la fonction récursive build_tree qui construit un arbre de décision avec l'algorithme ID3 :

val build_tree : passenger list -> attribute list -> decision_tree
(* build_tree data attributes *)

L'algorithme ID3 est le suivant :

• Si la liste est vide, retourner une feuille avec la prédiction 0
• Si tous les passagers ont la même classe, retourner une feuille avec cette classe
• Si la liste d'attributs est vide, retourner une feuille avec la classe majoritaire
• Sinon :
  • Trouver le meilleur attribut $A$ selon le gain d'information
  • Pour chaque valeur $v$ de $A$, construire récursivement un sous-arbre sur le sous-ensemble $\{x \mid A(x) = v\}$
  • Retourner un nœud avec l'attribut $A$ et les sous-arbres

Utiliser la fonction suivante pour afficher l'arbre obtenu :

let rec print_tree tree indent =
  let spaces = String.make (indent * 2) ' ' in
  match tree with
  | Leaf pred -> 
    Printf.printf "%s└── Prédiction: %s\n" spaces 
      (if pred = 1 then "Survit" else "Décède")
  | Node (attr, branches) ->
    Printf.printf "%s[%s]\n" spaces (attribute_name attr);
    List.iter (fun (value, subtree) ->
      Printf.printf "%s  ├─ %s :\n" spaces value;
      print_tree subtree (indent + 2)
    ) branches

Partie 5 : Prédiction et évaluation

12. Écrire une fonction predict qui prédit la survie d'un passager avec l'arbre de décision :

val predict : decision_tree -> passenger -> int

13. Écrire une fonction accuracy qui calcule la précision de l'arbre sur un ensemble de données :

val accuracy : decision_tree -> passenger list -> float

accuracy tree train (* = 0.8530, soit 85.30% de précision *)

Partie 6 : Génération de soumission

14. Écrire une fonction generate_submission qui génère un fichier CSV de soumission au format Kaggle. Vous pouvez vous inspirer de woman_survive.ml. Utilisez le lien Kaggle envoyé par mail pour soumettre votre fichier et obtenir votre score.

val generate_submission : decision_tree -> passenger list -> string -> unit
(* generate_submission tree test_data filename *)

Le fichier doit avoir le format suivant :

PassengerId,Survived
892,0
893,1
...

generate_submission tree test "submission_id3.csv"
(* Affiche : Fichier de soumission généré : submission_id3.csv *)

Pour aller plus loin

15. Quand on mesure la précision sur les données d'entraînement (85%), on obtient une estimation optimiste car le modèle a été construit sur ces mêmes données. C'est le problème du surapprentissage (overfitting). La validation croisée k-fold permet d'estimer la performance réelle du modèle sur des données non vues.

Principe de la validation croisée k-fold :

Algorithme :

• Mélanger aléatoirement les données
• Diviser en $k$ parties (folds) de taille égale
• Pour chaque fold $i$ de 1 à $k$ :
  • Utiliser le fold $i$ comme ensemble de validation
  • Utiliser les $k-1$ autres folds comme ensemble d'entraînement
  • Construire l'arbre sur l'entraînement
  • Calculer la précision sur la validation → Score $i$
• Retourner la moyenne et l'écart-type des $k$ scores

Signature :

val cross_validation : passenger list -> int -> (passenger list -> decision_tree) -> float * float * float list
(* cross_validation data k build_fn retourne (moyenne, écart_type, liste_scores) *)

16. Forêt aléatoire

Un arbre de décision a tendance à surapprendre. La forêt aléatoire construit plusieurs arbres indépendants et les fait voter pour obtenir une prédiction plus robuste.

Principe :

1. Pour chaque arbre (sur n_trees arbres) :

   • Bootstrap : tirer $n$ données avec remplacement (certaines répétées, d'autres absentes)
   • Sous-espace : sélectionner aléatoirement quelques attributs
   • Construire l'arbre sur cet échantillon

2. Prédiction : vote majoritaire de tous les arbres

Fonctions à implémenter :

(** Échantillonnage bootstrap *)
val bootstrap_sample : passenger list -> passenger list

(** Construit une forêt *)
val build_forest : passenger list -> attribute list -> int -> int option -> decision_tree list

(** Prédiction par vote majoritaire *)
val predict_forest : decision_tree list -> passenger -> int

Indication pour le bootstrap :

let bootstrap_sample data =
  let n = List.length data in
  let arr = Array.of_list data in
  List.init n (fun _ -> arr.(Random.int n))

Paramètres recommandés : 100-200 arbres, 4-5 attributs par arbre, profondeur max 6-8.

Résultats attendus (200 arbres, 4 attrs, depth=6) :
Précision (entraînement) : ~83-85%
Validation croisée : ~80-82%

---

17. Algorithme C4.5

Implémenter l'algorithme C4.5, une amélioration d'ID3 qui utilise le ratio de gain au lieu du gain d'information pour éviter de favoriser les attributs avec beaucoup de valeurs :

$$GR(S, A) = \frac{IG(S, A)}{IV(A)}$$

où $IV(A) = -\sum_v \frac{|S_v|}{|S|} \log_2 \frac{|S_v|}{|S|}$ est la valeur intrinsèque de l'attribut $A$.

gain_ratio train Sex       (* = 0.2325 *)
gain_ratio train FareGroup (* = 0.0612 *)
gain_ratio train Pclass    (* = 0.0582 *)
gain_ratio train FamilySize (* = 0.0492 *)
gain_ratio train Embarked  (* = 0.0215 *)
gain_ratio train AgeGroup  (* = 0.0118 *)

Implémenter build_tree_c45 qui utilise best_attribute_c45 au lieu de best_attribute :

val build_tree_c45 : passenger list -> attribute list -> decision_tree

Résultats attendus :

Précision C4.5 (entraînement) : ~85%
Validation croisée C4.5 (5-fold) : ~80%

Remarque : Sur ce jeu de données avec peu d'attributs, C4.5 donne des résultats similaires à ID3 mais avec un écart-type plus faible en validation croisée.