Skip to Main content Skip to Navigation
Conference papers

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.
Document type :
Conference papers
Complete list of metadata

Cited literature [21 references]  Display  Hide  Download

https://hal.inria.fr/hal-00745501
Contributor : Laurent Bougrain Connect in order to contact the contributor
Submitted on : Thursday, October 25, 2012 - 4:16:36 PM
Last modification on : Wednesday, April 27, 2022 - 4:03:34 AM
Long-term archiving on: : Saturday, December 17, 2016 - 4:53:55 AM

File

cap2012_submission_3.pdf
Files produced by the author(s)

Identifiers

  • 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. Conférence Francophone sur l'Apprentissage Automatique - CAp 2012, Laurent Bougrain, May 2012, Nancy, France. 16 p. ⟨hal-00745501⟩

Share

Metrics

Record views

127

Files downloads

107