Comparaison de différentes approches de l'évaluation supervisée
La sélection d’instances pour la classification suivant le plus proche voisin est un problème classique d’apprentissage statistique. Placé dans le cadre de la sélection d’hypothèses, ce problème possède deux caractéristiques : premièrement l’ensemble des hypothèses est structuré et, deuxièmement, il...
Na minha lista:
| Publicado no: | URI:https://journals.openedition.org/msh, |
|---|---|
| Autor principal: | |
| Formato: | Article ou chapitre numérique |
| Idioma: | Français |
| Publicado em: |
Mathématiques et sciences humaines
2009
|
| Assuntos: | |
| Acesso em linha: | Accès Université d'Orléans et IFPM Accès Université d'Orléans et IFPM |
| Resumo: | La sélection d’instances pour la classification suivant le plus proche voisin est un problème classique d’apprentissage statistique. Placé dans le cadre de la sélection d’hypothèses, ce problème possède deux caractéristiques : premièrement l’ensemble des hypothèses est structuré et, deuxièmement, il dépend des données. Nous proposons des critères d’évaluation non paramétriques tenant compte de ces caractéristiques, notre objectif étant de comparer des sous-ensembles d’instances de cardinaux différents sans recourir à l’ajustement d’un paramètre extérieur. Pour cela, nous nous intéressons aux approches régularisantes de l’évaluation. Nous explorons successivement trois approches de l’évaluation statistique régularisée : l’approche SRM (pour Structural Risk Minimisation), l’approche BIC (pour Bayesian Information Criterion) et l’approche MDL (pour Minimum Description Length). Nous proposons ainsi trois nouveaux critères d’évaluation régularisée de l’intérêt d’un sous-ensemble d’instances. Tous trois autorisent la comparaison d’ensembles d’instances de tailles différentes. Tous trois sont non paramétriques. Nous procédons à une comparaison qualitative des critères, basée sur des données réelles et synthétiques, et démontrons le fait suivant : le critère MDL est plus fin que le critère BIC, lui-même plus fin que le critère SRM. |
|---|