Je suis Maître de conférences à l'Université Marne-la-Vallée depuis 2010. J'ai réalisé mon doctorat en Mathématiques appliquées à l'Université Paris 7, sous la direction du Prof. Nicolas Vayatis. Ensuite, j'ai rejoint l'ETH-Zurich pour un postdoctorat avec le Prof. Sara van de Geer. Je m'intéresse à la sélection de variables en grande dimension.
Sélection de variables et estimateurs de type LASSO. Quelques questions de sélection de variables autour de l'estimateur LASSO
Par :Formats :
- Paiement en ligne :
- Livraison à domicile ou en point Mondial Relay estimée à partir du 10 septembreCet article sera commandé chez un fournisseur et vous sera envoyé 21 jours après la date de votre commande.
- Retrait Click and Collect en magasin gratuit
- Réservation en ligne avec paiement en magasin :
- Indisponible pour réserver et payer en magasin
- Nombre de pages220
- FormatPoche
- PrésentationBroché
- Poids0.33 kg
- Dimensions15,0 cm × 22,0 cm × 0,0 cm
- ISBN978-3-8417-8441-4
- EAN9783841784414
- Date de parution29/12/2011
- CollectionOMN.UNIV.EUROP.
- ÉditeurUniv Européenne
Résumé
Le problème général étudié dans cette thèse est celui de la régression linéaire en grande dimension. On s'intéresse particulièrement aux méthodes d'estimation qui capturent la sparsité du paramètre cible. Une méthode populaire pour estimer le paramètre inconnu de la régression dans ce contexte est l'estimateur des moindres carrés pénalisés par la norme l1 des coefficients, connu sous le nom de LASSO.
Les contributions de cet ouvrage portent sur l'étude de variantes de l'estimateur LASSO pour prendre en compte soit des informations supplémentaires sur les variables d'entrée, soit des modes semi-supervisés d'acquisition des données. Plus précisément, les questions abordées dans ce travail sont : l'estimation du paramètre inconnu lorsque l'espace des variables explicatives a une structure bien déterminée (présence de corrélations, structure d'ordre sur les variables ou regroupements entre variables) ; la construction d'estimateurs adaptés au cadre transductif, pour lequel les nouvelles observations non étiquetées sont prises en considération.
Ces adaptations sont en partie déduites par une modification de la pénalité dans la définition de l'estimateur LASSO.
Les contributions de cet ouvrage portent sur l'étude de variantes de l'estimateur LASSO pour prendre en compte soit des informations supplémentaires sur les variables d'entrée, soit des modes semi-supervisés d'acquisition des données. Plus précisément, les questions abordées dans ce travail sont : l'estimation du paramètre inconnu lorsque l'espace des variables explicatives a une structure bien déterminée (présence de corrélations, structure d'ordre sur les variables ou regroupements entre variables) ; la construction d'estimateurs adaptés au cadre transductif, pour lequel les nouvelles observations non étiquetées sont prises en considération.
Ces adaptations sont en partie déduites par une modification de la pénalité dans la définition de l'estimateur LASSO.