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 19/4-5 - 2005  - pp.661-682  - doi:10.3166/ria.19.661-682
TITRE
Discrimination par modèles additifs parcimonieux

RÉSUMÉ
Nous proposons une méthode de discrimination non paramétrique conçue pour favoriser l'interprétabilité de la prédiction. D'une part, l'utilisation d'un modèle additif généralisé permet de représenter graphiquement l'effet de chaque variable d'entrée sur la variable de sortie. D'autre part, les paramètres de ce modèle sont estimés par vraisemblance pénalisée, où le terme de régularisation généralise la pénalisation l1 aux fonctions splines. Cette pénalisation favorise les solutions parcimonieuses sélectionnant une partie de l'ensemble des variables d'entrée, tout en permettant une modélisation flexible de la dépendance sur les variables sélectionnées. Nous étudions l'adaptation de différents critères de sélection analytiques à ces modèles, et nous les évaluons sur deux jeux de données réelles.


ABSTRACT
We propose a nonparametric classification method designed to support the interpretability of the prediction. On the one hand, the use of generalized additive models makes it possible to represent the effect of each input variable on the output variable graphically. On the other hand, parameters of this model are estimated via penalized likelihood, where the term of regularization generalizes the l1-penalization to the splines functions. This penalization favors parsimonious solutions selecting one part of the set of input variables, while allowing a flexible modeling of the dependence on the selected variables. We study the adaptation of various analytical model selection criteria to these models, and we evaluate them on two real data sets.


AUTEUR(S)
Marta AVALOS, Yves GRANDVALET, Christophe AMBROISE

MOTS-CLÉS
sélection de variables, réglage de la complexité, régularisation l1, apprentissage supervisé, interprétabilité, modèles additifs généralisés, splines.

KEYWORDS
variable selection, complexity tuning, l1-regularization, supervised learning, interpretability, generalized additive models, splines.

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  (204 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier