Scribd
Importer
2 vues1 page

Introduction Algorithme EM

Le document traite des problèmes liés aux données manquantes dans le traitement des données et présente l'algorithme EM (Expectation-Maximisation) comme solution pour estimer les paramètres d'un modèle statistique malgré ces lacunes. L'algorithme, qui converge vers un point stationnaire tout en augmentant la vraisemblance à chaque itération, est également utilisé pour imputer les valeurs manquantes. L'étude se concentre sur la démonstration des propriétés de l'algorithme et son application sur des jeux de données incomplets.

Transféré par

jeanpaulnoudamadjo
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
2 vues1 page

Introduction Algorithme EM

Le document traite des problèmes liés aux données manquantes dans le traitement des données et présente l'algorithme EM (Expectation-Maximisation) comme solution pour estimer les paramètres d'un modèle statistique malgré ces lacunes. L'algorithme, qui converge vers un point stationnaire tout en augmentant la vraisemblance à chaque itération, est également utilisé pour imputer les valeurs manquantes. L'étude se concentre sur la démonstration des propriétés de l'algorithme et son application sur des jeux de données incomplets.

Transféré par

jeanpaulnoudamadjo
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

Dans le traitement des données, il est fréquent de se retrouver avec des bases

incomplètes. Les valeurs manquantes apparaissent pour plusieurs raisons : erreur de


saisie, panne d’appareil, refus de répondre lors d’un questionnaire, etc. Or, la plupart des
méthodes statistiques classiques ne fonctionnent correctement que lorsque toutes les
données sont présentes. Supprimer les observations incomplètes n’est pas toujours une
bonne solution car cela réduit la taille de l’échantillon et peut fausser les résultats.

C’est pour répondre à ce problème que l’algorithme EM, pour Expectation-


Maximisation, a été développé. Cet algorithme itératif permet d’estimer les paramètres
d’un modèle statistique même en présence de données manquantes. Il présente aussi
l’avantage de pouvoir être utilisé pour reconstituer ces valeurs manquantes.

L’objectif de ce travail est donc d’étudier l’algorithme EM. Nous allons d’abord
démontrer sa propriété fondamentale : à chaque itération, la vraisemblance augmente et
l’algorithme converge vers un point stationnaire. Dans un deuxième temps, nous
appliquerons l’algorithme EM pour estimer des paramètres sur un jeu de données
incomplet. Enfin, nous verrons comment il peut être utilisé comme méthode d’imputation
pour remplacer les valeurs manquantes.

Mots-clés : Algorithme EM, Données manquantes, Imputation, Estimation,


Vraisemblance.

Vous aimerez peut-être aussi