Données fonctionnelles multivariées issues d'objets connectés : une méthode pour classer les individus
Résumé
The emergence of numerical sensors in many aspects of everyday life leadsto an increasing need of methods to analyze multivariate functional data. This workpresents a clustering technique (Schmutz et al, 2017) in order to ease the modeling andunderstanding of those multivariate functional data. This method is based on a functionallatent mixture model which fits the data in group-specific functional subspaces through amultivariate functional principal component analysis. An EM-like algorithm is proposedfor model inference and the choice of hyper-parameters is carried out through modelselection. Model eficiency will be tested on an original example of speed prediction, forclassical example see Schmutz et al (2017).
L'émergence des objets connectés pour tous les aspects de la vie quotidienneentraine des besoins croissants de méthodes pour analyser des données fonctionnellesmultivariées. Ce travail propose une méthode de clustering (Schmutz et al, 2017) de façonà faciliter la modélisation et la compréhension de ces données fonctionnelles multivariées.Cette méthode est basée sur un modèle de mélange latent fonctionnel qui répartit lesindividus dans des sous-espaces fonctionnels spécifiques aux groupes à l'aide d'une analyseen composante principale multivariée fonctionnelle. Un algorithme de type EM est proposépour l'inférence du modèle et le choix des hyper paramètres se fait par le biais de lasélection de modèle. L'efficacité du modèle sera testée sur un exemple original de prédictionde vitesse, pour des exemples classiques se reporter à Schmutz et al (2017).
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...
