|
Régularisation en régression inverse par tranches| old_uid | 5596 |
|---|
| title | Régularisation en régression inverse par tranches |
|---|
| start_date | 2008/11/14 |
|---|
| schedule | 11h |
|---|
| online | no |
|---|
| summary | La régression inverse par tranches (Sliced Inverse Regression - SIR) est une méthode de réduction de dimension efficace pour les problèmes de régression en grande dimension. Cependant, la méthode originale nécessite l’inversion de la matrice de covariance des prédicteurs. Cette inversion n’est pas possible dans les situations de forte colinéarité entre les prédicteurs ou de faibles tailles d’échantillons. Des méthodes de régularisation doivent alors être utilisées. Notre approche est basée sur une interprétation des axes de SIR comme solution d’un problème de régression inverse. Une loi a priori est introduite sur les paramètres inconnus permettant ainsi de régulariser leur estimation. Nous montrons que les méthodes existantes de régularisation de SIR peuvent s’interpréter dans notre formalisme. De nouveaux a priori sont également introduits et comparés sur des données simulées ainsi que dans le cadre de l’estimation de propriétés physiques de la planète Mars à partir d’images hyperspectrales. |
|---|
| responsibles | Carlo, Bardet, Cottrell |
|---|
| |
|