Résumé
De nombreux systèmes d'aide à la décision multicritères sont basés sur l’apprentissage, à partir d’une base d’exemples issus d’experts, de fonctions dédiées associant à l’évaluation d’un ensemble de critères une note mimant la décision de ces experts.Les paramètres de cette fonction sont alors appris par régression grâce à une base d’exemples. Toutefois, il est souvent plus fiable de demander à un expert d'exprimer une préférence entre deux exemples plutôt qu'une note globale pour chaque exemple, surtout lorsque les exemples arrivent dans un flux séquentiel. Dans cet article, nous proposons de modéliser la relation de préférence par une fonction d’ensemble appelée « jeu » qui permet de répercuter, sur la sortie du système, non seulement l’influence de chaque critère mais aussi celle de coalitions de critères. Nous proposons d’apprendre les paramètres de cette fonction d’ensemble par régression.Quatre jeux différents sont étudiés : un jeu général, un jeu 2-additif, un jeu linéaire et un jeu maxitif. Des expériences sont menées avec des ensembles de données généralement utilisées pour tester des méthodes de régression.