Modèles de classification non supervisée ...
Document type :
Autre communication scientifique (congrès sans actes - poster - séminaire...): Communication dans un congrès avec actes
Title :
Modèles de classification non supervisée avec données manquantes non au hasard
Author(s) :
Laporte, Fabien [Auteur]
Génétique Quantitative et Evolution - Le Moulon (Génétique Végétale) [GQE-Le Moulon]
Biernacki, Christophe [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Celeux, Gilles [Auteur]
Statistique mathématique et apprentissage [CELESTE]
Josse, Julie [Auteur]
Centre de Mathématiques Appliquées de l'Ecole polytechnique [CMAP]
Génétique Quantitative et Evolution - Le Moulon (Génétique Végétale) [GQE-Le Moulon]
Biernacki, Christophe [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Celeux, Gilles [Auteur]
Statistique mathématique et apprentissage [CELESTE]
Josse, Julie [Auteur]
Centre de Mathématiques Appliquées de l'Ecole polytechnique [CMAP]
Conference title :
JdS 2019 - 51e journées de statistique de la Sfds
City :
Nancy
Country :
France
Start date of the conference :
2019-06-03
Keyword(s) :
EM and Stochastic EM Algorithms
Missing Not At Random (MNAR) Data
Model-based Clustering
Logistic Model
Missing Not At Random (MNAR) Data
Model-based Clustering
Logistic Model
HAL domain(s) :
Statistiques [stat]/Méthodologie [stat.ME]
French abstract :
La difficulté de prise en compte des données manquantes est souvent con-tournée en supposant que leur occurrence est due au hasard. Dans cette communication, nous envisageons que l'absence de certaines données n'est pas ...
Show more >La difficulté de prise en compte des données manquantes est souvent con-tournée en supposant que leur occurrence est due au hasard. Dans cette communication, nous envisageons que l'absence de certaines données n'est pas due au hasard dans le contexte de la classification non supervisée et nous proposons des modèles logistiques pour traduire le fait que cette occurrence peutêtre associéeà la classification cherchée. Nous privilégions différents modèles que nous estimons par le maximum de vraisemblance et nous analysons leurs caractéristiques au travers de leur application sur des données hospitalières.Show less >
Show more >La difficulté de prise en compte des données manquantes est souvent con-tournée en supposant que leur occurrence est due au hasard. Dans cette communication, nous envisageons que l'absence de certaines données n'est pas due au hasard dans le contexte de la classification non supervisée et nous proposons des modèles logistiques pour traduire le fait que cette occurrence peutêtre associéeà la classification cherchée. Nous privilégions différents modèles que nous estimons par le maximum de vraisemblance et nous analysons leurs caractéristiques au travers de leur application sur des données hospitalières.Show less >
English abstract : [en]
Usually missing data are assumed to be missing at random. In this talk, we propose logistic models assuming that missing data are not missing at random, in the model-based clustering setting, and that the occurrence of ...
Show more >Usually missing data are assumed to be missing at random. In this talk, we propose logistic models assuming that missing data are not missing at random, in the model-based clustering setting, and that the occurrence of missing data is related to the clustering. Different models are proposed and estimated through the maximum likelihood methodology. Their characteristics are analyzed through numerical experiments on Hospital data.Show less >
Show more >Usually missing data are assumed to be missing at random. In this talk, we propose logistic models assuming that missing data are not missing at random, in the model-based clustering setting, and that the occurrence of missing data is related to the clustering. Different models are proposed and estimated through the maximum likelihood methodology. Their characteristics are analyzed through numerical experiments on Hospital data.Show less >
Language :
Français
Peer reviewed article :
Oui
Audience :
Internationale
Popular science :
Non
Collections :
Source :
Files
- document
- Open access
- Access the document
- subm82.pdf
- Open access
- Access the document
- document
- Open access
- Access the document
- subm82.pdf
- Open access
- Access the document