Combinaison de Classifieurs Binaires dans le cadre du Mod` ele des Croyances Transf´ erables Pairwise Classifier Combination in the Transferable Belief Model Framework Benjamin Quost 1 Thierry Denœux 1 Myl` ene Masson 2 1,2 HeuDiaSyC – UMR UTC CNRS 6599 1 Universit´ e de Technologie de Compi` egne BP 20529 - F-60205 Compi` egne cedex – France 2 Universit´ e de Picardie Jules Verne {bquost, tdenoeux, mmasson}@hds.utc.fr R´ esum´ e: La combinaison de classifieurs constitue une approche int´ eressante pour la r´ esolution de probl` emes de discri- mination multi-classes. Nous proposons d’effectuer cette combinaison dans le cadre de la th´ eorie des fonctions de croyance. La m´ ethode, similaire ` a celle propos´ ee par Hastie et Tibshirani dans un cadre probabiliste, est tout d’abord pr´ esent´ ee ; puis les performances obtenues sur plusieurs jeux de donn´ ees sont analys´ ees ; enfin, les perspectives ouvertes par l’utilisation de ce formalisme pour la r´ esolution de probl` emes de discrimination sont ´ evoqu´ ees en conclusion. Mots-cl´ es : Fonctions de croyance, th´ eorie de Dempster-Shafer, Reconnaissance des Formes, Classification. Abstract: Classifier combination constitutes an interesting ap- proach when solving multi-class classification problems. We propose to carry out this combination in the belief functions framework. The method, similar to the one pro- posed by Hastie and Tibshirani in a probabilistic frame- work, is first presented ; then, the performances obtained on various datasets are analyzed ; the perspectives held by the use of this formalism in classification problems are eventually mentioned as a conclusion. Keywords: Belief functions, Dempster-Shafer theory, Pattern Re- cognition, Classification. 1 Introduction La r´ esolution d’un probl` eme de discrimination peut ˆ etre vue de la mani` ere suivante : soit un ensemble d’apprentissage constitu´ e de donn´ ees X =  x 1 ,..., x n  , associ´ ees ` a des ´ etiquettes Y =  y 1 ,...,y n  , d´ enotant leur appartenance ` a une classe ω k ∈ Ω=  ω 1 ,...,ω K  . On cherche ` a construire, sur la base de cet ensemble de donn´ ees ´ etiquet´ ees, un processus automa- tique ou classifieur permettant de d´ eterminer la classe d’un nouvel individu x. Il est n´ ecessaire de construire des classi- fieurs d’architecture adapt´ ee ` a la complexit´ e du probl` eme trait´ e : plus la situation consid´ er´ ee est complexe, plus les classifieurs construits le sont. Leur coˆ ut d’apprentissage peut donc de- venir ´ elev´ e en temps et en nombre de donn´ ees d’apprentissage requises. De plus, le cadre th´ eorique de repr´ esentation des connaissances limite parfois la pr´ ecision ou la robustesse du classifieur, en particulier s’il ne permet pas une mod´ elisation suffisam- ment riche de l’appartenance des individus aux classes ; cela est notamment le cas lorsque les connaissances dont on dispose pour construire le classifieur sont impr´ ecises ou incertaines. Dans cet article, nous proposons une m´ ethode pour construire des classifieurs de complexit´ e adapt´ ee, dans un cadre de repr´ esentation des connaissances riche et flexible. Nous pr´ esentons tout d’abord les motivations de notre approche, puis nous d´ ecrivons le Mod` ele des Croyances Transf´ erables et les possibilit´ es qu’il offre dans le cadre de la pr´ esente probl´ ematique, pour en- fin exposer les r´ esultats de cette m´ ethode, avant de conclure sur les perspectives ouvertes par notre approche.