Le jeudi 31 mars 2011, à 13 h 30, en la salle 2500 du pavillon Adrien-Pouliot, Université Laval

Classification et regroupement bayésiens avec sélection de variables pour des données continues en haute dimension
Vahid Partovi Nia, Université McGill

Nous proposons une approche performante pour la classification et le regroupement pour des données continues en haute dimension, en se basant sur une mixture de modèles bayésiens pour lesquels les formes analytiques sont accessibles. Ceci nous autorise alors à traiter le problème de la classification et du partitionnement simultanément ainsi que le calcul de probabilités pour des classes jusqu’alors non observées. La méthodologie développée a l’avantage d’être robuste à l’ajout de variables bruitées comme une conséquence de la structure « pic-et-plat » inhérente au modèle bayésien proposé.