Une pénalité de groupe pour des données multivoie de grande dimension

Résumé : Le problème de la classification supervisée de données multivoie de grande dimension avec un a priori de structure de groupes sur les variables est étudie. Plus précisément une pénalité adaptée à cette structure de données est proposée. Sans surcoût calculatoire notable, cette pénalité favorise l’interprétabilité des modèles obtenus. La pénalité est ici développée pour l’analyse discriminante et la régression logistique. Une application à l’analyse de données de neuroimagerie multimodale est présentée.
Document type :
Conference papers
Complete list of metadatas

Cited literature [2 references]  Display  Hide  Download

https://hal-centralesupelec.archives-ouvertes.fr/hal-01235986
Contributor : Alexandra Siebert <>
Submitted on : Tuesday, December 1, 2015 - 10:12:20 AM
Last modification on : Thursday, March 21, 2019 - 2:44:00 PM
Long-term archiving on : Wednesday, March 2, 2016 - 11:22:06 AM

File

JDS, Le Brusquet, Tenenhaus, L...
Files produced by the author(s)

Identifiers

  • HAL Id : hal-01235986, version 1

Citation

Laurent Le Brusquet, Arthur Tenenhaus, Gisela Lechuga, Vincent Perlbarg, Louis Puybasset, et al.. Une pénalité de groupe pour des données multivoie de grande dimension. 47èmes Journée de Statistique de la SFdS (JdS 2015), Jun 2015, Lille, France. ⟨hal-01235986⟩

Share

Metrics

Record views

296

Files downloads

395