?. Gpcn25 and N. Écart-entre-le, vitesse de rotation de l'arbre haute pression) prédit et le N2 mesuré

?. Gwfm and . Écart-entre, le Fuel Flow (flux du carburant dans la chambre de combustion) prédit et le Fuel Flow mesuré

. De-ces-indicateurs, autres types de tests sur la demande des experts métiers pourront alors facilement être ajoutés Un point important à signaler est que le taux de bonne classification n'est pas forcément la mesure la plus adaptée pour évaluer les performances d'un classifieur dans le cadre du Health Monitoring des moteurs d'avions. La nature des moteurs d'avions provoquent des données avec des classes déséquilibrées comme signalé dans Et il a été mis en avant dans cette thèse que les fausses alarmes, c'est-à-dire les cas où le moteur s'avère sain alors qu'il y a une alarme le concernant, sont à éviter au maximum. Ainsi, une perspective serait de calibrer les algorithmes d'apprentissage automatique à partir d'un critère plus adapté que le taux de bonne classification. Finalement, on rappelle que le Health Monitoring des moteurs d'avions est un domaine où les coûts sont à considérer car ils peuvent s'élever rapidement, par exemple dans le cas d'une maintenance non programmée, Il est donc important de prendre en compte ces coûts asymétriques dans l'évaluation des performances de classification. Bien d'autres perspectives sont possibles pour améliorer la sélection des indicateurs ou leurs agrégations, et c'est l'avantage de la méthodologie proposée : elle est divisée en étapes suffisamment simples à comprendre pour que toutes les étapes puissent être améliorées indépendamment les unes des autres, 2002.

M. Basseville, . Et-nikiforov, and V. Igor, Detection of abrupt changes : theory and application, 1993.
URL : https://hal.archives-ouvertes.fr/hal-00008518

A. Bellas, . Bouveyron, . Charles, M. Cottrell, and J. Et-lacaille, Robust clustering of high-dimensional data, Proceedings of the 20th European Symposium on Artificial Neural Networks, 2012.
URL : https://hal.archives-ouvertes.fr/hal-00707055

A. Bellas, . Bouveyron, . Charles, and M. Cottrell, Jérôme. Modelbased clustering of high-dimensional data streams with online mixture of probabilistic pca Advances in Data Analysis and Classification, pp.281-300, 2013.

M. Boullé, Compression-based averaging of selective naive bayes classifiers, Journal of Machine Learning Research, vol.8, issue.7, 2007.

L. Breiman, Classification and regression trees, 1993.

L. Breiman, Random forests, Machine Learning, pp.5-32, 2001.

L. Breiman, J. H. Friedman, . Olshen, A. Richard, and C. J. Et-stone, Classification and regression trees, 1984.

R. Caruana and A. Niculescu-mizil, An empirical comparison of supervised learning algorithms, Proceedings of the 23rd international conference on Machine learning , ICML '06, pp.161-168, 2006.
DOI : 10.1145/1143844.1143865

R. Cerf, Une théorie asymptotique des algorithmes génétiques, 1994.

. Chandola, . Varun, . Banerjee, . Arindam, and . Kumar, Anomaly detection, ACM Computing Surveys, vol.41, issue.3
DOI : 10.1145/1541880.1541882

E. Côme, . Cottrell, . Marie, . Verleysen, . Michel et al., Aircraft Engine Health Monitoring Using Self-Organizing Maps, Lecture Notes in Computer Science, vol.6171, pp.405-417, 2010.
DOI : 10.1007/978-3-642-14400-4_31

. Demirci, . Seref, . Hajiyev, . Chingiz, and A. Et-schwenke, Fuzzy logic???based automated engine health monitoring for commercial aircraft, Aircraft Engineering and Aerospace Technology, vol.80, issue.5, pp.516-525, 2008.
DOI : 10.1108/00022660810899883

B. Dietterich and G. Thomas, Ensemble Methods in Machine Learning, Multiple classifier systems, pp.1-15, 2000.
DOI : 10.1007/3-540-45014-9_1

. Fernández-delgado, . Manuel, . Cernadas, . Eva, . Barro et al., Do we need hundreds of classifiers to solve real world classification problems, Journal of Machine Learning Research, vol.15, pp.3133-3181, 2014.

X. Flandrois, . Lacaille, . Jérome, . Masse, . Jean-rémi et al., Expertise Transfer and Automatic Failure Classification for the Engine Start Capability System, AIAA Infotech@Aerospace Conference, 2009.
DOI : 10.2514/6.2009-1859

F. Fleuret, Fast binary feature selection with conditional mutual information, Journal of Machine Learning Research, vol.5, pp.1531-1555, 2004.

. Frénay, . Benoît, . Doquire, . Gauthier, and M. Verleysen, On the potential inadequacy of mutual information for feature selection, Proceedings of ESANN, 2012.

. Frénay, . Benoît, . Doquire, . Gauthier, and M. Verleysen, Is mutual information adequate for feature selection in regression ? Neural Networks, pp.1-7, 2013.

. Frénay, . Benoît, . Doquire, . Gauthier, and M. Verleysen, Theoretical and empirical study on the potential inadequacy of mutual information for feature selection in classification, Neurocomputing, vol.112, 2013.
DOI : 10.1016/j.neucom.2012.12.051

I. Guyon and A. Elisseeff, An introduction to variable and feature selection, Journal of Machine Learning Research, vol.3, pp.1157-1182, 2003.

I. Guyon, . Gunn, . Steve, . Nikravesh, . Masoud et al., Feature extraction : Foundations and applications, 2006.
DOI : 10.1007/978-3-540-35488-8

T. Hastie, . Tibshirani, . Robert, . Friedman, . Jerome et al., The elements of statistical learning, 2009.

J. Hegedus, . Miche, . Yoan, A. Ilin, and A. Et-lendasse, Methodology for behavioral-based malware analysis and detection using random projections and knearest neighbors classifiers, Proceedings of the Seventh International Conference on Computational Intelligence and Security (CIS 2011), pp.1016-1023, 2011.

. Hmad, . Ouadie, . Massé, . Jean-rémi, . Grall-maës et al., Maturation of detection functions by performances benchmark. application to a phm algorithm, Chemical Engineering, vol.33, 2013.

N. Japkowicz, . Stephen, and . Shaju, The class imbalance problem : A systematic study. Intelligent data analysis, pp.429-449, 2002.

D. A. Keim, . Kohlhammer, . Jörn, G. Ellis, and . Mansmann, Mastering The Information Age-Solving Problems with Visual Analytics, 2010.

R. Klein and M. Issacharoff, Model based approach for identification of gears and bearings failure modes, 2009.

D. Koller and N. Et-friedman, Probabilistic graphical models : principles and techniques, 2009.

M. Kudo and J. Sklansky, Comparison of algorithms that select features for pattern classifiers, Pattern Recognition, vol.33, issue.1, pp.25-41, 2000.
DOI : 10.1016/S0031-3203(99)00041-2

L. I. Kuncheva and C. J. Whitaker, Measures of diversity in classifier ensembles and their relationship with the ensemble accuracy, Machine Learning, vol.51, issue.2, pp.181-207, 2003.
DOI : 10.1023/A:1022859003006

J. Lacaille and E. Et-côme, Visual mining and statistics for a turbofan engine fleet, 2011 Aerospace Conference, pp.1-8, 2011.
DOI : 10.1109/AERO.2011.5747578
URL : https://hal.archives-ouvertes.fr/hal-00662333

J. Lacaille, . Côme, and . Etienne, Sudden change detection in turbofan engine behavior, Proceedings of the The Eighth International Conference on Condition Monitoring and Machinery Failure Prevention Technologies, pp.542-548, 2011.
URL : https://hal.archives-ouvertes.fr/hal-00662337

A. Lung-yut-fong, Détection de ruptures pour les signaux multidimensionnels. Application à la détection d'anomalies dans les réseaux, 2011.

J. Massé, . Humeau, . Aurore, P. Lalonde, and A. Et-alimardani, Placement of alert thresholds on abnormality scores, 2014.

K. P. Murphy, Machine learning : a probabilistic perspective, 2012.

J. S. Oakland, Statistical process control, Routledge, 2008.

. Peng, . Hanchuan, . Long, . Fuhui, and C. Ding, Feature selection based on mutual information criteria of max-dependency, max-relevance, and min-redundancy, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.27, issue.8, pp.1226-1238, 2005.
DOI : 10.1109/TPAMI.2005.159

T. Rabenoro and J. Et-lacaille, procédé d'estimation sur une courbe d'un point pertinent pour la détection d'anomalie d'un moteur et système de traitement de données pour sa mise en oeuvre, Number FR, vol.23, issue.13, pp.2013-57252

T. Rabenoro and J. Et-lacaille, Instants Extraction for Aircraft Engines Monitoring, AIAA Infotech@Aerospace (I@A) Conference, 2013.
DOI : 10.2514/6.2013-4571

. Rabenoro, . Tsirizo, . Lacaille, . Jérôme, M. Cottrell et al., Anomaly detection based on indicators aggregation, 2014 International Joint Conference on Neural Networks (IJCNN), pp.64-71, 2014.
DOI : 10.1109/IJCNN.2014.6889841
URL : https://hal.archives-ouvertes.fr/hal-01064529

. Rabenoro, . Tsirizo, . Lacaille, . Jérôme, M. Cottrell et al., Anomaly detection based on indicators aggregation, 2014 International Joint Conference on Neural Networks (IJCNN), pp.2548-2555, 2014.
DOI : 10.1109/IJCNN.2014.6889841
URL : https://hal.archives-ouvertes.fr/hal-01064529

. Rabenoro, . Tsirizo, . Lacaille, . Jérôme, M. Cottrell et al., A Methodology for the Diagnostic of Aircraft Engine Based on Indicators Aggregation, Proceedings of the 14th Industrial Conference Perner, Petra (éditeur), pp.144-158, 2014.
DOI : 10.1007/978-3-319-08976-8_11
URL : https://hal.archives-ouvertes.fr/hal-01058431

. Rabenoro, . Tsirizo, . Lacaille, . Jérôme, M. Cottrell et al., Search strategies for binary feature selection for a naive bayes classifier, Proceedings of the XXIIIth European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, p.2015, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01162981

C. Ratanamahatana, . Ann, and D. Gunopulos, Feature selection for the naive bayesian classifier using decision trees, Applied Artificial Intelligence, vol.17, issue.5-6, pp.475-487, 2003.
DOI : 10.1080/713827175

J. Ricordeau and J. Et-lacaille, Application of random forests to engine health monitoring, ICAS, 2010.

D. Ruta and B. Gabrys, Classifier selection for majority voting, Information Fusion, vol.6, issue.1, pp.63-81, 2005.
DOI : 10.1016/j.inffus.2004.04.008

W. Siedlecki and J. Sklansky, A note on genetic algorithms for large-scale feature selection, Pattern Recognition Letters, vol.10, issue.5, pp.335-347, 1989.
DOI : 10.1016/0167-8655(89)90037-8

. Sohn, . Hoon, J. A. Czarnecki, and C. R. Et-farrar, Structural Health Monitoring Using Statistical Process Control, Journal of Structural Engineering, vol.126, issue.11, pp.1356-1363, 2000.
DOI : 10.1061/(ASCE)0733-9445(2000)126:11(1356)

J. N. Tsitsiklis, Decentralized detection Advances in Statistical Signal Processing, pp.297-344, 1993.

. Van-der-vaart and W. Aad, Asymptotic statistics, 2000.
DOI : 10.1017/CBO9780511802256

A. Vellido, . Martín, D. José, F. Rossi, . Lisboa et al., Seeing is believing : The importance of visualization in real-world machine learning applications, pp.219-226, 2011.

F. Wilcoxon, Individual comparisons by ranking methods, Biometrics bulletin, pp.80-83, 1945.

J. Yang, . Honavar, and . Vasant, Feature subset selection using a genetic algorithm. Dans Feature extraction, construction and selection, pp.117-136, 1998.