Aide la dcision multicritre et apprentissage automatique pour la classication

Antoine Rolland

Laboratoire ERIC - Universit Lumire Lyon II av Pierre Mendes-France, 69676 BRON Cedex antoine.rolland@univ-lyon2.fr

Rsum. Les mthodes daide multicritre la dcision pour la problmatique du tri dune part, et les mthodes dapprentissage automatique dautre part poursuivent le mme objectif : permettre daffecter des objets des catgories prdnies, ordonnes ou non. Cependant, les diffrences existantes entre les deux domaines dapplication font que jusqu aujourdhui ce deux domaines ont eu peu dinteractions. Il nous semble cependant quil y a la matire exploration. Nous proposons donc de prsenter quelques mthodes et paradigmes pour la problmatique du tri en analyse multicritre avant de proposer quelques pistes pour des applications croises en apprentissage automatique et en aide la dcision.

Introduction

Prendre une dcision, cest trancher entre plusieurs possibilits et choisir celle qui sera effectivement mise en uvre. Les diffrentes communauts qui se sont intresses la prise de dcision (conomie, sociologie, psychologie, mathmatiques, statistique, informatique...) se sont toutes penches dune manire ou dune autre sur cette question, pour essayer de comprendre comment ltre humain prend une dcision, pour laccompagner dans cette prise de dcision ou pour pouvoir reproduire cette dcision de manire automatique. Prendre une dcision est un acte simple quand toutes les alternatives sont connues, quelles sont peu nombreuses, quelles peuvent tre values de manire unique, et quil ny a quune seule personne qui dcide. Cependant, si les alternatives ou leurs consquences sont imparfaitement connues, si leur nombre est trop important pour quune approche systmatique puisse tre envisage, si elles doivent tre values selon plusieurs critres partiellement conictuels, ou si plusieurs personnes sont amenes se prononcer, alors la prise de dcision devient un acte complexe. Chacune de ces difcults a donn naissance un champ particulier de recherche : dcision dans lincertain, optimisation combinatoire, dcision multicritre, dcision multi-agents... A la suite de Roy (1996), on distingue souvent trois types de problmatique en aide la dcision : la problmatique du choix, qui consiste vouloir choisir la ou les solutions considres comme optimales pour le problme considr ; la problmatique du classement (ranking), qui consiste vouloir classer du premier au dernier toutes les solutions connues du problme considr ; la problmatique du tri (sorting), qui consiste affecter les solutions des catgories (ordonnes ou non).

MCDA et apprentissage automatique

Nous nous intresserons ici au cas o les solutions tudies sont values suivant plusieurs points de vue, ou critres, qui peuvent potentiellement tre conictuels. Nous nous focaliserons en particulier sur la problmatique du tri dans des catgories ordonnes.

1.1

Paradigme de laide la dcision multicritre

En aide la dcision multicritre (MCDA ou MultiCriteria Decision Aiding), on suppose que les diffrentes alternatives se prsentant au dcideur peuvent tre dcrites sur un certain nombre de proprits ou attributs. Si lon est capable dtablir une chelle de prfrence sur un attribut, on parle alors de critre. Les valeurs des alternatives sur ces critres reprsentent la prise en compte de points de vue diversis, en gnral non rductibles un seul critre. Ces critres sont souvent conictuels. La difcult est darriver obtenir une comparaison relative des alternatives, an de guider le choix du dcideur vers la solution qui lui paratra optimale. En effet, la notion doptimisation dans labsolu est vide de sens en dcision multicritre, car il nexiste gnralement pas dalternative optimisant tous les critres simultanment. Il est donc ncessaire de prendre en compte de linformation supplmentaire, en particulier limportance relative de chaque critre et les compensations possibles entre les diffrents critres. Le but des mthodes en MCDA est donc moins de proposer automatiquement une unique solution considre comme optimale, que daccompagner le dcideur dans sa dmarche de dcision. La phase de dnition du problme, des alternatives et des critres est gnralement considre comme plus importante que la phase purement calculatoire mettant en uvre une mthode particulire dagrgation de prfrence (voir Schrlig (1985), Vincke (1992), Roy (1996)). En particulier, linteraction avec le dcideur tout au long du processus fait que le rsultat dune mthode daide la dcision ne semble pas arriver de nulle part, mais permet bien au dcideur de prendre sa dcision de manire claire.

1.2

Aide la dcision et apprentissage automatique

Il existe de nombreuses mthodes daide multicritre la dcision. Chaque mthode met en jeu un certain nombre de paramtres. Quelle que soit la mthode daide la dcision retenue, la question de xer les valeurs des paramtres de la mthode est une question cruciale en aide la dcision. Deux approches existent ce propos : demander au dcideur de xer les valeurs des paramtres directement : cette voie est dlicate, du fait que le dcideur ne matrise pas leffet que peut avoir tel ou tel paramtre sur les comparaisons dalternatives, et que les concepts utiliss dans chacune des mthodes peuvent parfois tre difcile apprhender pour un non-expert (par exemple la diffrence entre les poids des critres dans une mthode de moyenne pondre et les degrs dimportance des critres dans une mthode ELECTRE nest pas vidente). retrouver les valeurs des paramtres de la mthode partir dun jeu de donnes existant. Il sagit dinfrer les paramtres de la mthode en prenant comme corpus dapprentissage un jeu de donnes sur lequel on recueille les prfrences du dcideur. Cest cette mthode, proche dans son esprit de lapprentissage automatique, que nous allons tudier par la suite, sous le nom dlicitation des paramtres. Cependant, il existe de grandes diffrences dapproches entre lapprentissage automatique et llicitation des prfrences en MCDA. Waegeman et al. (2009) dtaillent huit principaux points de divergence que nous reprenons dans la table 1. De manire gnrale, on peut rsumer

Rolland A.

TAB . 1 Principales diffrences entre aide multicritre la dcision et apprentissage automatique, selon Waegeman et al. (2009) Thme MCDA Apprentissage automatique Information disponible oriente donnes oriente rsultat Interaction avec le dcideur oui non Dcideur peut changer davis prfrences xes Cohrence donnes cohrentes bruit possible Taille de lchantillon petit grand Modle souvent additif trs divers Rgularisation non oui Adaptabilit mauvaise bonne Donnes vectorielles de toute sorte cela en disant que lapprentissage automatique travaille avec des donnes trs diverses, sur lesquelles on ne peut agir, disponibles dans des corpus de grande taille mais pouvant contenir des erreurs. Au contraire, les mthodes dlicitation en MCDA utilisent gnralement des donnes vectorielles provenant de corpus de petite taille, sans incohrence, et modiables par dialogue avec le dcideur. Malgr ces diffrences, nous pensons que les mthodes en MCDA peuvent tre intressantes galement dans le cadre de lapprentissage automatique. Nous allons donc succinctement prsenter ces mthodes et les techniques dlicitation usuelles (section 2) puis nous indiquerons des pistes de recherche pour rapprocher les deux domaines (section 4)

Mthodes multicritres pour le tri

Les mthodes de tri en MCDA sintressent des objets appels alternatives, dcrites par plusieurs attributs, aussi appels critres sils sont dots dune relation binaire de prfrence. Le but de ces mthodes est daffecter chaque alternative lun des catgories prdnies, quelles soient ordonnes ou non (Roy (1996)). Formellement, nous allons considrer ici un problme de tri en aide la dcision multicritre o les alternatives de lensemble A = {a1 , a2 , ..., aj , ..., am } sont values sur n critres g1 , g2 , ..., gi , ..., gn , avec i N = {1, ..., i, ..., n}. Le critre gi prend ses valeurs sur un ensemble Xi , i.e., gi : A Xi , dot dune relation de prfrence i . X est alors le produit cartsien des diffrentes chelles de critre (X = iN Xi ). Toute alternative de A peut donc tre dcrite par un vecteur de X . Les catgories ordonnes prdnies forment une partition de A et sont notes C1 , C2 , . . ., Cp o Ci est prfre Cj si i > j . On dnit Ct , t = 1, . . . , p, par Ct = st Cs . Il existe aujourdhui un large panel de mthodes daide la dcision multicritre. On se rfrera Bouyssou et al. (2006) pour une vue complte des mthodes les plus connues, et Zopounidis et Doumpos (2002) pour les mthodes de tri. On distingue gnralement trois grands types de mthodes pour laide la dcision multicritre, en reprenant la terminologie de Roy (1996) pour les deux premires : les mthodes score unique de synthse : il sagit, pour chaque alternative, dagrger toutes les valeurs prises sur chacun des critres pour obtenir un "score" unique pour cha-

MCDA et apprentissage automatique

cune des alternatives, un critre unique de synthse . Il suft ensuite pour comparer deux alternatives de comparer leurs scores respectifs. Ces mthodes ont t historiquement dveloppes sous le nom de MultiAttribute Utility Theory (MAUT) depuis les annes 70 principalement aux Etats-Unis (voir Keeney et Raiffa (1976)). Lintroduction dutilit non-additive a permis de gnraliser ces mthodes. On consultera Marichal (2009) pour une vue densemble de ces mthodes formelles. Dans le cadre particulier des mthodes de tri, on peut mentionner la mthode UTADIS propose par Jacquet-Lagrze (1995). les mthodes relation de synthse : il sagit ici au contraire de comparer, critre par critre, les deux alternatives an dobtenir autant de relations de prfrence partielles entre les deux alternatives quil existe de critres, puis dessayer dagrger ces prfrences partielles en une prfrence globale. Ces mthodes, bases sur une reprsentation des prfrences par des graphes, a t dveloppe depuis 1975, en particulier en Europe et dans la communaut francophone. plus rcemment, les mthodes utilisant les rgles de dcision et le principe de dominance ont t proposes par Greco et al. (2001b). An dillustrer ces trois approches, et devant la multiplicit des mthodes multicritres existantes, nous choisissons de prsenter ci-dessous trois mthodes emblmatiques pour les problmes de tri en MCDA. La premire mthode, utilisant une fonction dutilit non-additive (intgrale de Choquet). La deuxime, utilise une comparaison par paire (ELECTRE TRI), et la troisime les rgles de dcision.

2.1

Fonction dutilit non-additive utilisant lintgrale de Choquet

Lintgrale de Choquet est une mthode de scoring donnant une valeur pour chaque alternative partir dune mesure non additive sur les ensembles de critres. Une mesure non-additive, aussi appele capacit (voir Grabisch (1996), Grabisch et Roubens (2000),Marichal (2009)), est une fonction v : 2N R+ telle que v () = 0, et pour deux sous-ensembles A et B de N , A B N implique v (A) v (B ) (principe de monotonie par inclusion). On normalise gnralement la capacit par v () = 0 et v (N ) = 1. Une mesure non-additive permet par exemple que v (A B ) = v (A) + v (B ). Lintgrale de Choquet u(a) est alors dnie par :
n

u(a) =
i=1

g (i) (a)(v ({ (i), . . . , (n)}) v ({ (i + 1), . . . , (n)}))

o est une permutation sur N telle que g (1) (a) g (2) (a) . . . g (n) (a). Lintgrale de Choquet est un oprateur dagrgation trs gnral, pouvant modliser les oprateurs additifs ou non-additif tels que le min, le max, la somme pondre, OWA, etc (voir Grabisch et al. (2009) et Grabisch et Labreuche (2008) pour les utilisations de lintgrale de Choquet). Lutilisation dune intgrale de Choquet ncessite que les ensembles Xi soient commensurables, par exemple [0, 1] i N . Formellement, lintgrale de Choquet est une mthode de classement (ranking method), mais elle peut tre utilise comme mthode de tri (sorting method) en dnissant un niveau de rfrence t par catgorie Ct tel que :
a Ct u(a) t

Comme toutes les mthodes base dutilits, la mthode de tri utilisant lintgrale de Choquet repose sur plusieurs hypothses fortes. En particulier, on suppose :

Rolland A.

la commensurabilit des diffrentes chelles de valeurs sur les critres entre elles la commensurabilit des chelles de valeurs sur les critres et la mesure v choisie la connaissance complte de la mesure v , et en particulier de la compensation intercritres. Ces hypothses permettent un calcul facile de la relation de prfrence entre les diffrentes alternatives, et en particulier de laffectation des alternatives aux diffrentes catgories. Mais cette modlisation est trs couteuse en information sur les paramtres de la mthode. De plus, la facilit des calculs est obtenue au prix dun loignement certain de la manire dont raisonne un dcideur.

2.2

ELECTRE-Tri

Une deuxime approche utilise une mthode base de surclassement appele ELECTRETri (Roy (1991), Figueira et al. (2005)). Cette mthode utilise des prols prdtermins, lments de X correspondant des alternatives ctives, pour sparer les diffrentes catgories. Une alternative est alors affecte la catgorie Ci (ou suprieure) si elle est prfre au prol marquant la limite infrieure de la catgorie. La relation de prfrence utilise dans ELECTRE-Tri est une relation de surclassement utilisant la concordance et la non-discordance comme dans les mthodes ELECTRE en gnral (Roy (1996)). De manire formelle, nous avons p 1 prols q 2 , . . ., q p prenant leurs valeurs sur X , n indices dimportance des critres 1 , . . ., n et un niveau seuil tel que : a est affect la catgorie Ct ou suprieure si i
i|gi (a)pt i

Cette approche est moins gourmande en informations initiales, supporte des relations purement ordinales sur les valeurs des critres, voire des donnes imprcises ou manquantes. A contrario, les rsultats obtenus sont gnralement moins discriminants que les mthodes base dutilits. En particulier, des phnomnes dincomparabilit entre alternatives et prols peuvent survenir, aboutissant une incertitude possible sur les affectations des catgories (voir Roy (1968, 1996)).

2.3

Rgles de dcision

Une troisime approche, propose par Greco et al. (2001b) et Greco et al. (2002), utilise les rgles de dcision travers les ensembles approximatifs et le principe de dominance (Dominance-based Rough Set Approach). On dit quune alternative a domine une alternative b si i N , gi (a) i gi (b). Les alternatives sont affectes aux diffrentes catgories en fonction de niveaux de rfrence sur chaque critre. Les fondements axiomatiques de ces mthodes ont t tudis, en particulier dans le cadre de la problmatique du tri, par Greco et al. (2001a) pour les relations de surclassement. Formellement, un modle base de rgles de dcision est capable daffecter lalternative a une catgorie grce des rgles du type si g1 (a) 1 1 et g2 (a) 2 2 et . . . alors a est affect la catgorie Ci . Le grand intrt de ce type de mthode rside dans linterprtation immdiate des rsultats et la reprsentation sous forme de rgles de la logique du dcideur. Cela se fait au dtriment dun modle synthtique : en effet, le nombre de rgles de dcision peut rapidement tre trop important pour tre apprhend rapidement.

MCDA et apprentissage automatique

Elicitation des paramtres des mthodes de tri

Rcemment, plusieurs auteurs se sont particulirement intresss aux processus dlicitation pour les mthodes multicritres daide la dcision, tant en tudiant les fondements thoriques de ces processus quen proposant des outils concrets pour llicitation. Lide fondatrice est de partir dexemples daffectations donnes par le dcideur pour calculer les paramtres de la mthode choisie redonnant ces affectations. On a donc en entre de la procdure dlicitation lensemble des alternatives et de leurs valeurs sur chacun des critres, gnralement prsent sous forme dun tableau appel table de performance, ainsi que laffectation de chacune des alternatives une catgorie. Dans le cadre de lintgrale de Choquet, des procdures destimation des coefcients dune capacit ont t proposes par Grabisch et al. (2008). Le point de dpart de ces procdures est le suivant : connaissant la table de performance des alternatives sur tous les critres et le score global de chaque alternative, le but est de trouver les paramtres de la capacit qui fait en sorte que les rsultats du calcul de lintgrale de Choquet soient les plus proches possibles de ces valeurs globales. Les mthodes retenues utilisent la programmation linaire avec plusieurs fonctions objectifs possibles, comme les moindres carrs ou la variance minimale. Le package kappalab permettant llicitation des capacits est disponible sous R et dans le projet Decision Deck (Meyer et Bigaret (2011)) propos par Meyer (2011). Lavantage de ces mthodes est de toujours aboutir une solution ; linconvnient est que la solution propose peut tre loin de retrouver la classication initiale si certaines incohrences existent chez le dcideur. En outre, la complexit des calculs fait que le programme ne fonctionne que dans les cas o ni les critres ni les alternatives ne sont trop nombreuses. Les procdures dlicitation des paramtres de la mthode ELECTRE-Tri ont t proposes par Mousseau et Slowinski (1998) (voir aussi Ngo The et Mousseau (2002), Mousseau et al. (2001) et Bouyssou et Marchant (2007a,b)). Ces procdures utilisent un programme linaire pour minimiser le nombre de diffrence entre les affectations aux catgories proposes par le dcideur dune part et par la mthode ELECTRE-TRI dautre part. Le nombre de prols est dtermin par le nombre de catgories. Une implmentation de cette procdure dans le projet Decision Deck a t propose par Sobrie (2011). La encore, la taille de lensemble dapprentissage est un facteur limitant lefcacit de lapproche. Cependant, la possibilit de pouvoir xer a priori certains des paramtres tels que la valeur de seuil permet potentiellement dacclrer les calculs. La mthode dapprentissage des rgles de dcision utilise une approche fonde sur les ensembles approximatifs et la relation de dominance partir dun ensemble dapprentissage, comme propos par Greco et al. (2000). On dit que lalternative a domine lalternative b si gi (a) i gi (b) pour tout critre gi , i N . Pour un ensemble de critres {gi , i N } donn, linclusion dune alternative a A dans lunion des classes Ct , t = 2, . . . , p aboutit une incohrence au sens du principe de dominance si une des deux conditions suivantes tient : a appartient la catgorie Ct ou une catgorie suprieure, mais est domine par une alternative b appartenant une catgorie moins leve que Ct a appartient une catgorie infrieure Ct mais domine une alternative b appartenant la catgorie Ct ou une catgorie suprieure Si linclusion de a A dans Ct , t = 2, . . . , p, amne une incohrence au sens du principe de dominance, alors a appartient Ct avec ambigut. Et donc a appartient Ct sans ambigut

Rolland A.

si a Ct et sil ny a aucune incohrence au sens du principe de dominance. Cela signie que toutes les alternatives dominant a appartiennent Ct . Les affectations des alternatives de lensemble dapprentissage peuvent donc tre spares entre affectations certaines et affectations possibles. Ces affectations entrainent ensuite des rgles de dcision certaines et des rgles de dcision possibles. Laffectation dune nouvelle alternative se fait alors laide des rgles de dcision certaines. le logiciel jMAF propos par Stefanowski (1998) permet la gnration des rgles de dcision partir dun corpus dapprentissage. Le grand avantage de cette mthode est de pouvoir traiter des incohrences dans les affectations proposes par le dcideur. linconvnient est que cela peut aussi parfois aboutir un grand nombre de rgles de dcision, chacune traitant un cas spcique.

Perspectives de recherche

Les diffrences voques entre apprentissage automatique et MCDA nous conduisent proposer quatre pistes de recherche o les deux champs pourraient interagir. Lobjectif poursuivi est lintgration de mthodes provenant de laide la dcision dans le domaine de lapprentissage automatique. En particulier, un travail dinvestigation doit tre men pour lidentication de champs dapplication pour lesquelles lutilisation des mthodes daide la dcision pourraient apporter une relle plus-value. 1. un premire piste de recherche concerne la complexit des calculs pour llicitation des paramtres. Les algorithmes utiliss reposent souvent sur des algorithmes de programmation linaire, dont le temps de calcul saccroit rapidement avec le nombre de variables en entre (critre et/ou instances). A titre dexemple, le calcul des capacits par Kappalab est limit moins de 10 critres, ce qui est amplement sufsant en aide la dcision (il est courant de considrer quun problme plus de 6 ou 7 critre est un problme mal dni) mais pas forcment en apprentissage automatique. Une prise en compte de la structure particulire des problmes dapprentissage automatique permettrait peut-tre de rduire le temps de calcul, en particulier pour les mthodes du type utilit ou ELECTRE Tri. 2. une deuxime piste a trait au traitement des erreurs et incohrences : la diffrence de point de vue entre lapprentissage automatique, o les erreurs sont acceptes comme telles, et laide la dcision, o lon suppose que les prfrences indiques sont cohrentes, fait que les mthodes de MCDA visent intgrer toutes les donnes disponibles pour liciter les paramtres, ce qui est inefcace dans le cas de grands corpus dapprentissage. Il nous semble quune piste de recherche pourrait sintresser la robustesse des algorithmes dlicitation vis--vis de la prsence ou de labsence de telle ou telle alternative dans le corpus dapprentissage, an de pouvoir liminer les valeurs aberrantes. 3. une troisime piste consiste pouvoir interagir avec le dcideur dans le cadre de lapprentissage automatique. cela semble paradoxal avec le terme automatique mais une interaction avec le dcideur pourrait, en complment du point prcdent, permettre aux mthodes dlicitation de ne pas prendre en compte des donnes pouvant tre considres comme errones. Une autre ide consiste permettre au dcideur de rduire lensemble dapprentissage quelques cas emblmatiques pour que la taille du corpus soit compatible avec les capacits de calcul des mthodes dlicitation. La question est alors

MCDA et apprentissage automatique

celle de lanalyse du corpus de donnes en entre pour ter linformation redondante et ne garder que les alternatives vraiment intressantes. 4. enn, une quatrime piste concerne lintgration doutil daide la dcision pour lagrgation de classieurs, dans le cas o lapprentissage automatique se fait travers plusieurs algorithmes potentiellement conictuels (cf Kuncheva (2004), Stefanowski et Nowaczyk (2007)). Lide est dagir non pas directement sur le corpus des alternatives, mais sur les rsultats obtenus laide de diffrents classieurs, soit faisant partie dune mme famille de classieurs avec des paramtres diffrents, soit provenant de plusieurs approches diffrentes de classieurs.

Rfrences
Bouyssou, D., D. Dubois, M. Pirlot, et H. Prade (2006). Concepts et mthodes pour laide la dcision, volume 3, analyse multicritre. Hermes. Bouyssou, D. et T. Marchant (2007a). An axiomatic approach to noncompensatory sorting methods in mcdm, I : The case of two categories. European Journal of Operational Research 178, 217245. Bouyssou, D. et T. Marchant (2007b). An axiomatic approach to noncompensatory sorting methods in mcdm, II : More than two categories. European Journal of Operational Research 178, 246276. Figueira, J., V. Mousseau, et B. Roy (2005). ELECTRE methods. In J. Figueira, S. Greco, et M. Ehrgott (Eds.), Multiple Criteria Decision Analysis : State of the Art Surveys, pp. 133162. Boston, Dordrecht, London : Springer Verlag. Grabisch, M. (1996). The application of fuzzy integrals in multicriteria decision making. European Journal of Operational Research 89, 445456. Grabisch, M., I. Kojadinovic, et P. Meyer (2008). A review of methods for capacity identication in choquet integral based multi-attribute utility theory : Applications of the kappalab r package. European Journal of Operational Research 186(2), 766 785. Grabisch, M. et C. Labreuche (2008). A decade of application of the choquet and sugeno integrals in multi-criteria decision aid. 4OR : A Quarterly Journal of Operations Research 6, 144. Grabisch, M., J.-L. Marichal, R. Mesiar, et E. Pap (2009). Aggregation functions, Volume 127 of Encyclopedia of Mathematics and its Applications. Cambridge, UK : Cambridge University Press. Grabisch, M. et M. Roubens (2000). Application of the Choquet integral in multicriteria decision making. In M. Grabisch, T. Murofushi, et M. Sugeno (Eds.), Fuzzy Measures and Integrals - Theory and Applications, pp. 348374. Physica Verlag. Greco, S., B. Matarazzo, et R. Slowinski (2000). Multicriteria classication by dominancebased rough set approach,methodological basis of the 4emka system. [Online], Available :http ://www-idss.cs.put.poznan.pl/4emka/ . Greco, S., B. Matarazzo, et R. Slowinski (2001a). Conjoint measurement and rough set approach for multicriteria sorting problems in presence of ordinal criteria. In A. Colorni,

Rolland A.

M. Paruccini, et B. Roy (Eds.), A-MCD-A, Aide Multicritre la Dcision/Multiple Criteria Decision Aid, pp. 117144. Ispra : European Commission, Joint Research Centre, EUR 19808 EN. Greco, S., B. Matarazzo, et R. Slowinski (2001b). Rough sets theory for multicriteria decision analysis. European Journal of Operational Research 129, 147. Greco, S., B. Matarazzo, et R. Slowinski (2002). Rough sets methodology for sorting problems in presence of multiple attributes and criteria. European Journal of Operational Research 138, 247259. Jacquet-Lagrze, E. (1995). An application of the UTA discriminant model for the evaluation of sc R&D projects. In P. Pardalos, Y. Siskos, et C. Zopounidis (Eds.), Advances in Multicriteria Analysis, Nonconvex Optimization and its Applications, pp. 203211. Dordrecht : Kluwer Academic. Keeney, R. et H. Raiffa (1976). Decisions with multiple objectives : Preferences and value tradeoffs. J. Wiley, New York. Kuncheva, L. (2004). Combining Pattern Classiers. Methods and Algorithms. Wiley. Marichal, J.-L. (2009). Aggregation functions for decision making, Decision-Making Process - Concepts and Methods. ISTE/John Wiley. Meyer, P. (2011). http ://www.decision-deck.org/ws/wsd-choquetintegral-kappalab.html. Meyer, P. et S. Bigaret (2011). diviz : a software for modeling, processing and sharing algorithmic workows in mcda. Intelligent DecisionTechnologies : an International Journal, to appear. Mousseau, V., J. Figueira, et J. Naux (2001). Using assignment examples to infer weights for ELECTRE TRI method : Some experimental results. European Journal of Operational Research 130(2), 263275. Mousseau, V. et R. Slowinski (1998). Inferring an electre tri model from assignment examples. Journal of Global Optimization 12, 157174. Ngo The, A. et V. Mousseau (2002). Using assignment examples to infer category limits for the ELECTRE TRI method. JMCDA 11(1), 2943. Roy, B. (1968). Classement et choix en prsence de point de vue multiples (la mthode electre). Les cahiers du CERO (8), 5775. Roy, B. (1991). The outranking approach and the foundations of ELECTRE methods. Theory and Decision 31, 4973. Roy, B. (1996). Multicriteria Methodology for Decision Aiding. Dordrecht : Kluwer Academic. Schrlig, A. (1985). Dcider sur plusieurs critres. Presses Polytechniques Universitaires Romandes. Sobrie, O. (2011). pyxmcda.html. http ://www.decision-deck.org/ws/wsd-electretribminference-

Stefanowski, J. (1998). On rough set based approaches to induction of decision rules. In S. A. Polkowski L. (Ed.), Rough Sets in Data Mining and Knowledge Discovery, Volume 1, pp. 500529. Physica-Verlag. Stefanowski, J. et S. Nowaczyk (2007). An experimental study of using rule induction algo-

MCDA et apprentissage automatique

rithm in combiner multiple classier. International Journal of Computational Intelligence Research 3, 335342. Vincke, P. (1992). Multicriteria Decision-Aid. J. Wiley, New York. Waegeman, W., B. D. Baets, et L. Boullart (2009). Kernel-based learning methods for preference aggregation. 4OR (7), 169189. Zopounidis, C. et M. Doumpos (2002). Multicriteria classication and sorting methods : A literature review. European Journal of Operational Research (138), 229246.

Summary
Multicriteria decision aiding methods for sorting problems and machine learning algorithms are sharing a similar goal : they aim at assigning objects to one of the predened ordered or not ordered categories. However, the differences between these two elds of application avoid seminal interactions. It seems to us that it could be interesting to study how they can interact. In this paper, we present some methods and paradigms for sorting multricriteria decision aiding methods, and then we suggest some tracks for further research.