RINA - Démonstrateur d’utilisation de l’intelligence artificielle pour la gestion opérationnelle des risques naturels gravitaires géologiques | FEREC 2020

Livrable – Projet RINA – AAP Fondation Ferec / Novembre 2021 13/20 3.4.2 Modèle des plus proches voisins Pour le modèle des plus proches voisins, le meilleur modèle est obtenu après réglage des hyper paramètres avec 15 voisins. Dans ce cas, 30 chutes de pierres peuvent être identifiées (Tableau 3) avec un taux de prédiction similaire, un rappel inférieur et une précision supérieure à celle du modèle expert (Tableau 6). Comme moins d'éboulements sont prédits avec ce type de modèle, la sécurité des usagers de la route diminue. Mais en même temps, la route est moins fermée quand il n’y a pas de chutes de blocs et les intérêts économiques sont moins contraints. Réalité Pas de chutes de blocs Chutes de blocs Prédic- tions Pas de chutes de blocs 917 116 Chutes de blocs 27 30 Tableau 3 : Matrice de confusion – Modèle des plus proches voisins 3.4.3 Modèle type arbre de décision Pour les modèles d'arbre de décision, le meilleur modèle est un classificateur d'arbre de déci- sion de type assemblage d’arbres (bagging) défini par une profondeur maximale égale à 3, une valeur minimale d’individus par feuilles égale à 9 et un nombre d'estimateurs égal à 10. Dans ce cas, 50 chutes de blocs sont identifiées (Tableau 4). La valeur de rappel est supé- rieure à celle calculée avec le modèle de référence (Tableau 6) : plus d'éboulements sont cor- rectement prévus et la sécurité des conducteurs est améliorée. En même temps, la valeur de précision est également supérieure ce qui indique que l’on prédit moins de chutes de blocs quand il n’y en a pas ce qui a pour conséquence de moins fermer la route inutilement. Réalité Pas de chutes de blocs Chutes de blocs Prédic- tions Pas de chutes de blocs 863 96 Chutes de blocs 81 50 Tableau 4 : : Matrice de confusion – Modèle type arbre de décisions