L'apprentissage automatique consiste à construire un modèle décrivant un concept cible à partir d'un ensemble de données. On distingue deux grandes classes de problèmes d'apprentissage automatique. Quand le concept correspond à un nombre fini d'états qui ne sont pas liés par une relation d'ordre, on parle de classification. Quand les états possibles sont ordonnés et continus, on parle de régression.

Les modèles induits dans le cadre de la classification ou de la régression sont des modèles certains et précis dans le sens où, pour des valeurs d'entrée données, le modèle ne renvoie qu'un seul état de sortie qui est considéré comme étant le seul valable. Du point de vue de la théorie formelle de l'apprentissage, on sait que l'incomplétude de l'information apportée par les données et les limites du pouvoir descriptif d'un modèle impliquent une limitation de l'efficacité de l'apprentissage. Ainsi, apprendre un modèle certain à partir de données, même classiques, peut s'avérer illusoire puisque ce modèle sera forcément faux.

Le but de la régression floue est de dépasser ces limitations en apprenant non plus des fonctions de régression précises, mais plutôt des fonctions imprécises, dont l'imprécision est représentée par des ensembles flous.

Une fonction floue est décrite par un ensemble de fonctions classiques. Ces fonctions peuvent être linéaires ou non. On construit cet ensemble de fonctions en utilisant un algorithme de recuit simulé.

Prédiction du taux de pollution dans une source (en collaboration avec le BRGM).

Entrée : temps

Sortie : taux de pollution