ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 15/3-4 - 2001  - pp.393-410  - doi:10.3166/ria.15.393-410
TITRE
Une mesure de pertinence pour la sélection de variables dans les perceptrons multicouches

RÉSUMÉ

Ce papier est consacré essentiellement à notre mesure heuristique, nommée HVS (Heuristique for Variable Selection)[YAC 97], que nous utiliserons pour la sélection de variables. HVS ne demande que peu de calculs simples, faciles à implémenter. Nous testerons son efficacité sur un problème de discrimination et un problème de régression, après avoir montré sa capacité de détection et de quantification de pertinence.

ABSTRACT

In this paper a new criterion, named HVS (heuristic for Variables Selection), to evaluate a set of candidate features and select an informative subset to be used as input data for a connectionist model, is presented. HVS criterion allows analysis of influence input variables have on the output of a connectionist model. The primary aim of our method is the selection of an appropriate subset of input variables to estimate the best and more parsimonious model.

AUTEUR(S)
Méziane YACOUB, Younès BENNANI

MOTS-CLÉS
mesure d’évaluation, techniques d’élagage, réduction de dimension, apprentissage supervisé.

KEYWORDS
evaluation criterion, pruning technics, dimensionality reduction, supervised learning.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (763 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier