GRETSI'03 19st GRETSI Symposium
on Signal and Image Processing
Paris   8 - 11 september 2003
Welcome Program By Session By Author By Topic By ID

Information related to the paper

Title
Régression régularisée par contrainte de variabilité
Author(s)
Youness Naji Supélec - service des Mesures
Laurent Le Brusquet Supélec - service des Mesures
Gilles Fleury Supélec - service des Mesures
Rererences
vol. II, page 88
 Get the paper in PDF format
 
To obtain Acrobat Reader (version 5 minimum required) necessary to his read.

Abstract

La variabilité d'une base d'apprentissage est définie. Elle permet, pour les problèmes de régression, la construction d'a priori sur la solution cherchée : en imposant à la solution cherchée d'avoir une variabilité proche de celle de la base d'apprentissage, on augmente sa robustesse. L'approche est illustréesur un exemple de régression paramétrique (régression polynomiale) et sur un exemple de régression non-paramétrique (approximation par noyaux). Dans le premier exemple, le risque d'overfitting est contenu, ce qui permet d'explorer un vaste espace de solutions potentielles (régression polynomiale d'ordre élevé) alors que dans le deuxième exemple, l'approche donne une estimation de la largeur du noyau proche de la valeur optimale.
Edition : Télécom-Paris -- 2003