Approximation efficace de mélanges bootstrap d'arbres de Markov pour l'estimation de densité - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Conference Papers Year : 2012

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

Abstract

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.
Fichier principal
Vignette du fichier
cap2012_submission_3.pdf (302.6 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-00745501 , version 1 (25-10-2012)

Identifiers

  • HAL Id : hal-00745501 , version 1

Cite

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⟩
139 View
107 Download

Share

Gmail Facebook Twitter LinkedIn More