Traitement des valeurs manquantes pour l'application de l'analyse logique des données à la maintenance conditionnelle

La qualité des données d'apprentissage est une problématique dans de nombreuses applications de classification supervisée, car la qualité de classification de n'importe qu'elle méthode est définie par la qualité des données utilisées dans le processus de traitement c.à.d. à l'entrée du système de classification. Lors de l'utilisation du classificateur basé sur la méthode d'analyse logique des données (LAD) dans le domaine de la maintenance conditionnelle, il est très fréquent de confronter le problème de données manquantes. Ce phénomène se manifeste lorsque les valeurs n'ont pas pu être observées, elles ont été perdues ou elles n'ont pas été enregistrées. La présence de ces dernières entraîne un dysfonctionnement du processus de traitement logique des données, puisque le classificateur LAD, ne peut pas apprendre à partir des bases de données incomplètes. Si l'on veut l'utiliser, il faut donc adopter une méthode d'imputation de ces données. En l'absence d'une méthode de traitement des données numériques manquantes pour le classificateur LAD, l'élaboration d'une nouvelle méthode statistique s'avère une alternative très intéressante pour substituer les données manquantes et, par la suite, générer des modèles de classification par LAD. Dans cette optique, nous proposons dans ce mémoire une méthode statistique de substitution des valeurs manquantes. L'objectif de cette méthode est de remplacer la valeur manquante par les deux possibilités extrêmes que peut prendre cette valeur suivant les valeurs disponibles de la variable en question, et suivant l'information des classes dont on dispose. Nous avons également mis l'accent sur la validation de notre approche, qui a bénéficié des techniques du test statistique non paramétrique. Cela nous a permis de confirmer les résultats de différents tests de la nouvelle méthode sur des données réelles dans le cadre de trois applications concernant la classification supervisée.