You are here:
| Reference : Estimation de densité par ensemble aléatoire de poly-arbres |
| Scientific congresses and symposiums : Paper published in a book | |||
| Engineering, computing & technology : Computer science | |||
| http://hdl.handle.net/2268/80417 | |||
| Estimation de densité par ensemble aléatoire de poly-arbres | |
| French | |
| Ammar, Sourour [ > > ] | |
| Leray, Philippe [ > > ] | |
Wehenkel, Louis  [Université de Liège - ULg > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Systèmes et modélisation >] | |
| 2008 | |
| Yes | |
| Journées Françaises des Réseaux Bayesiens | |
| [en] Machine Learning ; Graphical Models | |
| [en] La notion de mélange de modèles simples aléatoires est de plus en plus utilisée et avec
succès dans la littérature de l’apprentissage supervisé ces dernières années. Parmi les avantages de ces méthodes, citons l’amélioration du passage à l’échelle des algorithmes d’apprentissage grâce à leur aspect aléatoire et l’amélioration de l’exactitude de la prédiction des modèles induits grâce à une flexibilité plus élevée en ce qui concerne le compromis biais/variance. Dans le présent travail, nous proposons d’explorer cette idée dans le contexte de l’estimation de la densité. Nous proposons une nouvelle famille de méthodes d’apprentissage non-supervisé à base de mélange de grands ensembles aléatoires de poly-arbres. La caractéristique spécifique de ces méthodes est leur passage à l’échelle, aussi bien en terme de nombre de variables que de données à traiter. Cette étude, exploratoire, compare empiriquement ces méthodes sur un ensemble de problèmes de test discrets de taille et de complexité croissantes et ouvre de nombreuses perspectives auxquelles nous prévoyons de nous intéresser. | |
| http://hdl.handle.net/2268/80417 |
| File(s) associated to this reference | ||||||||||||||
|
Fulltext file(s):
| ||||||||||||||
All documents in ORBi are protected by a user license.
