Modèles additifs parcimonieux / Marta Avalos Fernandez ; sous la direction de Yves Grandvalet

Date :

Editeur / Publisher : [S.l.] : [s.n.] , 2004

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Modèles mathématiques

Statistique non paramétrique

Modèles linéaires

Analyse de régression

Complexité de calcul (informatique)

Variables (mathématiques)

Grandvalet, Yves (19..-....) (Directeur de thèse / thesis advisor)

Université de Technologie de Compiègne (1972-...) (Organisme de soutenance / degree-grantor)

Relation : Modèles additifs parcimonieux / Marta Avalos Fernandez / Villeurbanne : [CCSD] , 2005

Relation : Modèles additifs parcimonieux / Marta Avalos Fernandez ; sous la direction de Yves Grandvalet / Grenoble : Atelier national de reproduction des thèses , 2004

Résumé / Abstract : De nombreux algorithmes d'estimation fonctionnelle existent pour l'apprentissage statistique supervisé. Cependant, ils ont pour la plupart été développés dans le but de fournir des estimateurs précis, sans considérer l'interprétabilité de la solution. Les modèles additifs permettent d'expliquer les prédictions simplement, en ne faisant intervenir qu'une variable explicative à la fois, mais ils sont difficiles à mettre en œuvre. Cette thèse est consacrée au développement d'un algorithme d'estimation des modèles additifs. D'une part, leur utilisation y est simplifiée, car le réglage de la complexité est en grande partie intégré dans la phase d'estimation des paramètres. D'autre part, l'interprétabilité est favorisée par une tendance à éliminer automatiquement les variables les moins pertinentes. Des stratégies d'accélération des calculs sont également proposées. Une approximation du nombre effectif de paramètres permet l'utilisation de critères analytiques de sélection de modèle. Sa validité est testée par des simulations et sur des données réelles.

Résumé / Abstract : Many function estimation algorithms exist in supervised statisticallearning. However, they have been developed aiming to provide precise estimators, without considering the interpretability of the solution. Additive models allow to explain the predictions simply, dealing with only one explanatory variable at a time, but they are difficult to implement. This thesis develops an estimation algorithm for additive models. On the one hand, their use is simplified, since the complexity tuning is mainly integrated in the parameter estimation phase. On the other hand, the interpretability is also supported by a tendency to automatically eliminate the least relevant variables. Strategies for accelerating computation are also proposed. An approximation of the effective number of parameters allows the use of model selection analytical criteria. Its validity is tested by simulations and on real data.