Séminaires


Retour à la liste de tous les séminaires


Classification discriminante et parcimonieuse de données de grande dimension.

Le : 18/06/2012 11h00
Par : Camille BRUNET
Lieu : I 103
Lien web :
Résumé : L’algorithme Fisher-EM a été récemment proposé pour classer et visualiser simultanément des données de grande dimension. Cette approche est basée sur un modèle de mélange fini qui modélise les données dans un espace latent discriminant de dimension plus petite que l’espace des observations. D'un point de vue pratique, l'algorithme Fisher-EM présente des performances équivalentes -voire meilleures- en comparaison aux méthodes de classification dans des sous-espaces. D'un point de vue théorique, la convergence de cet algorithme est étudiée. En particulier, il est démontré que l’algorithme Fisher-EM converge sous de faibles conditions dans le cas général. Enfin, une extension parcimonieuse de l'algorithme a été récemment proposée par l'ajout d'une contrainte L1 dans l'étape F de l'algorithme Fisher-EM; contrainte permettant d'opérer une sélection d'un sous-ensemble de variables discriminantes parmi les variables d'origine.