A non asymptotic penalized criterion for Gaussian mixture model selection

Cathy Maugis 1 Bertrand Michel 1
1 SELECT - Model selection in statistical learning
Inria Saclay - Ile de France, LMO - Laboratoire de Mathématiques d'Orsay, CNRS - Centre National de la Recherche Scientifique : UMR
Abstract : Specific Gaussian mixtures are considered to solve simultaneously variable selection and clustering problems. A non asymptotic penalized criterion is proposed to choose the number of mixture components and the relevant variable subset. Because of the non linearity of the associated Kullback-Leibler contrast on Gaussian mixtures, a general model selection theorem for MLE proposed by Massart (2007) is used to obtain the penalty function form. This theorem requires to control the bracketing entropy of Gaussian mixture families. The ordered and non-ordered variable selection cases are both addressed in this paper.
Type de document :
Rapport
[Research Report] RR-6549, INRIA. 2008
Liste complète des métadonnées

Littérature citée [34 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00284613
Contributeur : Cathy Maugis <>
Soumis le : mercredi 4 juin 2008 - 12:57:47
Dernière modification le : jeudi 11 janvier 2018 - 06:22:14
Document(s) archivé(s) le : mardi 21 septembre 2010 - 16:34:52

Fichier

RR-6549.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00284613, version 2

Collections

Citation

Cathy Maugis, Bertrand Michel. A non asymptotic penalized criterion for Gaussian mixture model selection. [Research Report] RR-6549, INRIA. 2008. 〈inria-00284613v2〉

Partager

Métriques

Consultations de la notice

225

Téléchargements de fichiers

215