Sélection de modèle pour la classification en présence d'une classification externe

Jean-Patrick Baudry (1) , Gilles Celeux (2)

1 UP11 - Université Paris-Sud - Paris 11
2 SELECT - Model selection in statistical learning

En classification non supervisée de données, il est souvent utile d'interpréter les résultats de la classification cherchée en regard d'une partition des individus connue a priori et obtenue sur d'autres informations que les données disponibles. Nous proposons une approche fondée sur le modèle de mélange de lois qui permet de sélectionner un modèle de classification et un nombre de classes de sorte à produire une classification qui, à la fois, s'ajuste bien aux données et présente une bonne liaison avec la partition a priori. Cette approche utilise la vraisemblance intégrée jointe des données et des deux classification en jeu. Il est à noter que l'obtention de la classification ne fait intervenir la partition a priori que dans la phase de sélection d'un modèle et non dans la phase de construction de la classification qui se fait de manière classique par maximum de vraisemblance. Des illustrations seront données et le fait de dissocier les étapes d'estimation et de sélection d'un modèle sera discuté.

Domaines: Statistiques [math.ST]

Jean-Patrick Baudry, Gilles Celeux. Sélection de modèle pour la classification en présence d'une classification externe. 41èmes Journées de Statistique, SFdS, Bordeaux, 2009, Bordeaux, France, France. ⟨inria-00386620⟩