Approximation efficace de mélanges bootstrap d'arbres de Markov pour l'estimation de densité

Résumé : Nous considérons des algorithmes pour apprendre des Mélanges bootstrap d'Arbres de Markov pour l'estimation de densité. Pour les problèmes comportant un grand nombre de variables et peu d'observations, ces mélanges estiment généralement mieux la densité qu'un seul arbre appris au maximum de vraisemblance, mais sont plus coûteux à apprendre. C'est pourquoi nous étudions ici un algorithme pour apprendre ces modèles de manière approchée, afin d'accélérer l'apprentissage sans sacrifier la précision. Plus spécifiquement, nous récupérons lors du calcul d'un premier arbre de Markov les arcs qui constituent de bons candidats pour la structure, et ne considérons que ceux-ci lors de l'apprentissage des arbres suivants. Nous comparons cet algorithme à l'algorithme original de mélange, à un arbre appris au maximum de vraisemblance, à un arbre régularisé et à une autre méthode approchée.
Type de document :
Communication dans un congrès
Laurent Bougrain. Conférence Francophone sur l'Apprentissage Automatique - CAp 2012, May 2012, Nancy, France. 16 p., 2012, Actes de la Conférence Francophone sur l'Apprentissage Automatique - CAp 2012
Liste complète des métadonnées

Littérature citée [21 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-00745501
Contributeur : Laurent Bougrain <>
Soumis le : jeudi 25 octobre 2012 - 16:16:36
Dernière modification le : samedi 27 octobre 2018 - 01:21:51
Document(s) archivé(s) le : samedi 17 décembre 2016 - 04:53:55

Fichier

cap2012_submission_3.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00745501, version 1

Citation

François Schnitzler, Sourour Ammar, Philippe Leray, Pierre Geurts, Louis Wehenkel. Approximation efficace de mélanges bootstrap d'arbres de Markov pour l'estimation de densité. Laurent Bougrain. Conférence Francophone sur l'Apprentissage Automatique - CAp 2012, May 2012, Nancy, France. 16 p., 2012, Actes de la Conférence Francophone sur l'Apprentissage Automatique - CAp 2012. 〈hal-00745501〉

Partager

Métriques

Consultations de la notice

231

Téléchargements de fichiers

121