رسالة جامعية
Linear models for multivariate functional data ; Modèles linéaires pour données fonctionnelles multivariées
| العنوان: | Linear models for multivariate functional data ; Modèles linéaires pour données fonctionnelles multivariées |
|---|---|
| المؤلفون: | Moindjié, Issam-Ali |
| المساهمون: | Laboratoire Paul Painlevé - UMR 8524 (LPP), Université de Lille-Centre National de la Recherche Scientifique (CNRS), MOdel for Data Analysis and Learning (MODAL), Université de Lille-Centre National de la Recherche Scientifique (CNRS)-Université de Lille-Centre National de la Recherche Scientifique (CNRS)-Université de Lille, Sciences et Technologies-Inria Lille - Nord Europe, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Evaluation des technologies de santé et des pratiques médicales - ULR 2694 (METRICS), Université de Lille-Centre Hospitalier Régional Universitaire CHU Lille (CHRU Lille)-Université de Lille-Centre Hospitalier Régional Universitaire CHU Lille (CHRU Lille)-École polytechnique universitaire de Lille (Polytech Lille), Université de Lille, Cristian Preda, Sophie Dabo-Niang |
| المصدر: | https://hal.science/tel-04376932Test ; Statistiques [stat]. Université de Lille, 2023. Français. ⟨NNT : ⟩. |
| بيانات النشر: | HAL CCSD |
| سنة النشر: | 2023 |
| المجموعة: | LillOA (HAL Lille Open Archive, Université de Lille) |
| مصطلحات موضوعية: | Functional data analysis, multivariate functional data, regression, classification, PLS regression, decision tree, lasso, fused lasso, variable fusion, Analyse de données fonctionnelles, données fonctionnelles multivariées, régression, régression PLS, arbre de décision, [STAT]Statistics [stat] |
| الوصف: | In this thesis, we are interested in the problem of predicting a real or categorical variable using multivariate functional variables. In the existing literature, the proposed methods often assume the case of a single domain. This means that each dimension of the multivariate functional variable has the same domain of definition. This assumption restricts their use to a limited number of applications. Indeed, technological advances in data collection and storage have made it possible to observe several functional characteristics, sometimes of different natures, for the same statistical individual. To solve the prediction problem with this type of variables, we proposed two methods inspired by the PLS regression: MFPLS and TMFPLS. The first one is an extension of the PLS algorithm to the case of explanatory multivariate functional data, where the dimensions are potentially defined on different domains. This method can be used for regression and binary classification. The second method: TMFPLS, is a decision tree which can be used for more complex classification tasks (non-linear relationship between the target variable and the predictors, multiclass classification). These methods can be used for a wide range of applications; however, interpreting their results becomes difficult when the predictors have many dimensions. This is typically the case when many sensors are used to measure a functional variable in several locations. Or more generally, when it comes to repeated functional data. In this case, we present parsimonious methods based on the fusion penalty, to obtain more interpretable models. Applications on simulated data and real data (EEG, ECG, etc.) have demonstrated the good performance of our methods. ; Le cadre méthodologique de cette thèse est l'analyse de données fonctionnelles. Nous nous intéressons particulièrement au problème de la prédiction d'une variable réelle ou catégorielle à l'aide de variables fonctionnelles multivariées. Dans la littérature existante, les méthodes proposées ont souvent ... |
| نوع الوثيقة: | doctoral or postdoctoral thesis |
| اللغة: | French |
| العلاقة: | tel-04376932; https://hal.science/tel-04376932Test; https://hal.science/tel-04376932/documentTest; https://hal.science/tel-04376932/file/Rapport__V2_-3.pdfTest |
| الإتاحة: | https://hal.science/tel-04376932Test https://hal.science/tel-04376932/documentTest https://hal.science/tel-04376932/file/Rapport__V2_-3.pdfTest |
| حقوق: | info:eu-repo/semantics/OpenAccess |
| رقم الانضمام: | edsbas.2F7CB6E2 |
| قاعدة البيانات: | BASE |
| الوصف غير متاح. |