Bases du Mod`ele Linéaire
En regression multiple le dispositif est orthogonal si les variables explicatives sont non corrélées entre elles. Dans ce cas les colonnes de la matrice X
Le Modèle Linéaire et ses Extensions
14 sept. 2016 Il suppose connues les notions de base de l'inférence statistique estimateur
Utilisation du modèle linéaire. Rappels de base - méthodes de
4 nov. 2000 UTILISATION DU MODELE LINEAIRE. RAPPELS DE BASE - METHODES DE VALIDATION. Philippe GROS *. Centre de Brest. Pages.
Comparaison entre lanalyse logit et probit et les réseaux de
de donnés: un outil statistique le mod`ele logit ou probit
Commande prédictive à base de modèle (MPC) pour le trafic urbain
28 mar. 2017 Mots-clés—Commande prédictive à base de modèle MPC
Le modèle linéaire Modélisation dune variable quantitative en
20 dec. 2021 Choix d'un mod`ele. Régression et ANOVA. Objectifs pédagogiques. Connaˆ?tre les bases théoriques du mod`ele linéaire.
Construction des modèles radiobiologiques de type TCP (tumor
Le modèle linéaire-quadratique (LQ) est le modèle le plus souvent utilisé depuis les Le modèle est basé sur une réponse impulsionnelle à la dose (en.
Evaluation a priori dun modèle non-linéaire de turbulence
Le modèle algébrique explicite non-linéaire récemment mis au point par Rumsey C.L. The data base used here comes from a direct numerical simulation of a.
Réseaux de neurones : modèle linéaire généralisé
Bases fonctionnelles. 4. Problème des grandes dimensions. 5. Régularisation. 6. Discrimination. Réseaux de neurones – Le mod`ele linéaire généralisé – p.2/
Le Mod`ele Linéaire Gaussien Général
Le mod`ele linéaire (gaussien) de base. `A la fois le plus simple le plus ancien et le plus connu des mod`eles statistiques
Fabrice Rossi
http://apiacoa.org/contact.html.Universit´e Paris-IX Dauphine
R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.1/68 Plan du cours "modèle linéaire généralisé"1. Le modèle linéaire généralisé (expression neuronale)
2. Estimateur des moindres carrés
3. Bases fonctionnelles
4. Problème des grandes dimensions
5. Régularisation
6. Discrimination
R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.2/68Modèle linéaire
Le modèle linéaire (en fait affine,y=Ax+b) est doublement linéaire :1.x?→y=Ax+best une fonction affine
2.(A,b)?→(x?→y=Ax+b)est une fonction linéaire
Conséquences :
1. le modèle est limité : un lien non linéaire entre les sorties
et les entrées ne peut pas être découvert2. le modèle est facile à optimiser : calcul matriciel
Amélioration : garder la deuxième linéarité en supprimant la première. R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.3/68Principe de base
Combinaison linéaire de fonctions de base (exemple deRn dansR, se généralise à une cible dansRpsans difficulté) : y=k? i=1a iφi(x) +b Chaqueφiest une fonction deRndansR, "bien choisie".Exemple pourn= 1, modèle polynomial :
y=k? i=1a ixi+b L'association paramètres vers fonction modèle reste linéaire. R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.4/68Réseau à deux couches
Entr´ees Sortiesφ
1 2 3 4x 1 x 2 x 3 A 24A11 Attention, la première couche n'est pas "réglable". R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.5/68
Réseau à deux couches (2)
Neurone de la première couche :
pas de paramètre numérique réglable sortie :φ(x1,...,xn)Neurone de la deuxième couche :
sortie :f(x1,...,xk) =T??ki=1akxk+b? on règle les paramètres numériquesMatriciellement :
f(x) =T(AΦ(x) +b), avecΦ(x) =(((φ
1(x1,...,xn)
k(x1,...,xn)))) R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.6/68Régression (Rappel)
En régression, on cherche à écrireY?T(AΦ(X)+b)et doncà choisirAetbdans ce but. Or, on a vu que :
on peut approcherE(Y|X)en déterminantAetbqui minimisent l'erreur quadratiqueentreyletT(AΦ(xl) +b) si on suppose que les erreurs d'observation sont gaussiennes avec une variance constante, l'estimation de Aetbpar moindres carrés correspond aumaximum de vraisemblance Moralité : comme pour le modèle linéaire, on cherche un esti- mateur deAetbcorrespondant aux moindres carrés. R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.7/68Moindres carrés
On cherche doncAetbqui minimisent
E(A,b) =N?
l=1??T(AΦ(xl) +b)-yl??2
QuandT=I, on procède comme dans le cas linéaire. On définitC= (Ab)
Z=?Φ(x1)...Φ(xN)
1...1?
Y= (y1...yN)
R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.8/68Moindres carrés (2)
On doit résoudre :
ZZTCT=ZYT
Comme dans le cas linéaire, on peut résoudre : par inversion par SVD (décomposition en valeurs singulières) L'introduction des fonctions (non linéaires)φine change donc rien à la difficulté du problème de l'apprentissage : il existe tou- jours une solution optimale qu'on peut calculer efficacement.Problème : choix desφi!
Le plus simple : des monômes.
R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.9/68Exemple
0 20 40 60 80 100
0.0 0.2 0.4 0.6 0.8 1.0
t x(t) R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.10/68Exemple
0 20 40 60 80 100
0.0 0.2 0.4 0.6 0.8 1.0
t x(t) données modèle Modèle linéaire classique :x(t) =a1x(t-1) +a0 R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.10/68Exemple
0 20 40 60 80 100
0.0 0.2 0.4 0.6 0.8 1.0
t x(t) données modèle Modèle linéaire classique :x(t) =a2x(t-2) +a1x(t-1) +a0 R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.10/68Qualité de la prédiction
0.0 0.2 0.4 0.6 0.8 1.0
0.475 0.480 0.485 0.490 0.495 0.500 0.505 0.510
observation prédiction R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.11/68Qualité de la prédiction
0.0 0.2 0.4 0.6 0.8 1.0
0.47 0.48 0.49 0.50 0.51
observation prédiction R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.11/68Représentation dex(t)
On comprend mieux le problème en traçantx(t)comme fonction dex(t-1)...0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.2 0.4 0.6 0.8 1.0
x(t-1) x(t) R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.12/68Représentation dex(t)(2)
ou encorex(t)comme fonction dex(t-1)et dex(t-2): data 0 0.2 0.4 0.6 0.8 1 1.2 x(t-1) 0 0.2 0.4 0.6 0.8 1 1.2 x(t-2)00.20.40.60.811.2x(t)
R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.13/68Solution
0 20 40 60 80 100
0.0 0.2 0.4 0.6 0.8 1.0
t x(t) données modèleModèle polynomial (degré 2) :
x(t) =a2(x(t-1))2+a1x(t-1) +a0 R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.14/68Qualité de la prédiction
0.0 0.2 0.4 0.6 0.8 1.0
0.0 0.2 0.4 0.6 0.8 1.0
observation prédiction R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.15/68Réseau utilisé
x x2a 1 a0x(t-1)
a2approximation
dex(t) Optimisation (estimation ou apprentissage) : réglagle despa- ramètresa1,a2(connexions synaptiques) eta0(seuil) pour ap- procher l'associationx(t-1)versx(t)contenue dans les don- nées. R´eseaux de neurones - Le mod`ele lin´eaire g´en´eralis´e -p.16/68Transformations par la première couche
data 0 0.2 0.4 0.6 0.8 11.2x(t-1)
0quotesdbs_dbs26.pdfusesText_32[PDF] BASES D`EXERCICES EN LIGNE À L`UNIVERSITÉ BASES D
[PDF] Bases d`hydraulique - Anciens Et Réunions
[PDF] bases ecologiques , interet epidemiologique - France
[PDF] Bases et Diagnostic
[PDF] Bases et Méthodes de la Chimie Quantique
[PDF] Bases informatiques - Ordinateur
[PDF] Bases Java - Eclipse / Netbeans Environnements Java 1 - Espèces En Voie De Disparition
[PDF] Bases juridiques pour le quotidien du médecin - Santé Et Remise En Forme
[PDF] BASES LEGALES DU JEU CONCOURS « WHAT TRAVEL MOVIE - France
[PDF] Bases légales pertinentes : l`art. 50 LEtr et l`art. 77 al. 6 OASA
[PDF] Bases moléculaires de la maladie de Parkinson
[PDF] bases moléculaires des pathologies - Désordre Mental
[PDF] bases nautiques de Calais Côte d`Opale
[PDF] Bases neurobiologiques de la récompense - Avantages Et Compensation