Partenaires

CNRS
Logo tutelle
Logo tutelle
Logo tutelle


Rechercher

Sur ce site

Sur le Web du CNRS


Accueil du site > Séminaires > Probabilités Statistiques et réseaux de neurones > Evaluation du bootstrap pour le choix d’un modèle neuronal

Vendredi 7 février 2003 à 10h

Evaluation du bootstrap pour le choix d’un modèle neuronal

Riadh Kallel (MATISSE-SAMOS, Université Paris 1)

Résumé : Les perceptrons multicouches (PMC) sont des modèles statistiques qui permettent de déterminer une relation entre des variables à expliquer et des variables explicatives. Les propriétés théoriques de ces modèles, comme par exemple, la propriété d’approximation universelle, sont connues. Mais, dans le cadre des applications, ces propriétés ne permettent pas de choisir entre différents modèles lorsque le nombre de données est faible. Le bootstrap est une méthode qui permet d’estimer la précision d’un estimateur quand le nombre d’observations est petit. L’application de cette méthode aux PMC s’est avérée pertinente. Dans un cas plus général, comme celui du modèle auto-régressif fonctionnel, le bootstrap paramétrique apporte une solution au problème de choix de modèles, par son application au test asymptotique de différences de contrastes. Le test bootstrap est puissant et consistant.

Dans la même rubrique :