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.
Type de document :
Communication dans un congrès
47èmes Journée de Statistique de la SFdS (JdS 2015), Jun 2015, Lille, France
Liste complète des métadonnées

Littérature citée [2 références]  Voir  Masquer  Télécharger

https://hal-centralesupelec.archives-ouvertes.fr/hal-01235986
Contributeur : Alexandra Siebert <>
Soumis le : mardi 1 décembre 2015 - 10:12:20
Dernière modification le : vendredi 15 février 2019 - 13:58:09
Document(s) archivé(s) le : mercredi 2 mars 2016 - 11:22:06

Fichier

JDS, Le Brusquet, Tenenhaus, L...
Fichiers produits par l'(les) auteur(s)

Identifiants

  • 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〉

Partager

Métriques

Consultations de la notice

281

Téléchargements de fichiers

381