Estimation d'un modèle à blocs latents par l'algorithme SEM

Christine Keribin (1, 2) , Gérard Govaert (3) , Gilles Celeux (1, 2)

1 SELECT - Model selection in statistical learning
2 LM-Orsay - Laboratoire de Mathématiques d'Orsay
3 Heudiasyc - Heuristique et Diagnostic des Systèmes Complexes [Compiègne]

Les modèles de mélanges peuvent être utilisés pour résoudre le problème de la classification non supervisée simultanée d'un ensemble d'objets et d'un ensemble de variables. Le modèle à blocs latents définit une loi pour chaque croisement de classe d'objets et de classe de variables, et les observations sont supposées indépendantes conditionnellement au choix des classes d'objets et de variables. Mais il n'est pas possible de factoriser la loi jointe conditionnelle des labels et l'étape d'estimation de l'algorithme EM n'est pas calculable directement. Govaert et Nadif (2008) en ont proposé une approximation variationnelle qu'ils ont confrontée à un algorithme CEM. Nous présentons ici, dans le cadre de données binaires, l'utilisation d'un algorithme SEM effectuant l'étape d'estimation par échantillonneur de Gibbs, et nous comparons les résultats avec ceux des méthodes précédentes.

Domaines: Statistiques [math.ST]; Théorie [stat.TH]

Christine Keribin, Gérard Govaert, Gilles Celeux. Estimation d'un modèle à blocs latents par l'algorithme SEM. 42èmes Journées de Statistique, 2010, Marseille, France, France. ⟨inria-00494796⟩