Scribd
Importer
4 vues2 pages

Comparaison d'estimateurs en ML

Ce mini-projet vise à comparer les performances de différents estimateurs d'un paramètre statistique en utilisant une fonction de simulation LAW(). Le projet comprend plusieurs étapes, telles que la définition du cadre de l'étude, la création de la loi de simulation, le choix des estimateurs, et l'analyse des résultats. Les performances des estimateurs seront évaluées à l'aide de critères tels que le biais empirique et l'erreur quadratique moyenne.

Transféré par

kouldjim.elie
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
4 vues2 pages

Comparaison d'estimateurs en ML

Ce mini-projet vise à comparer les performances de différents estimateurs d'un paramètre statistique en utilisant une fonction de simulation LAW(). Le projet comprend plusieurs étapes, telles que la définition du cadre de l'étude, la création de la loi de simulation, le choix des estimateurs, et l'analyse des résultats. Les performances des estimateurs seront évaluées à l'aide de critères tels que le biais empirique et l'erreur quadratique moyenne.

Transféré par

kouldjim.elie
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

Mini-Projet Noté – Machine Learning

Objectif général :
Réaliser une étude de simulation afin de comparer les performances de plusieurs
estimateurs d’un paramètre statistique, en définissant notre propre loi de probabilité à
l’aide d’une fonction LAW(), conformément aux consignes du mini-projet.

Plan d’exécution du mini-projet

1. Cadre général de l’étude


Définir le contexte statistique de l’étude :
- description des variables (covariables W, traitement A, réponse Y),
- définition claire du paramètre cible Ψ(P) à estimer.
Cette étape permet de poser précisément le problème étudié.

2. Définition de la loi de simulation via LAW()


Construire une fonction LAW() permettant de générer des données i.i.d. (W, A, Y).
La loi choisie doit être originale et permettre de connaître explicitement la valeur théorique
du paramètre Ψ(P).
Cette étape répond directement à l’objectif principal du mini-projet.

3. Choix des estimateurs à comparer


Identifier et décrire les estimateurs étudiés, par exemple :
- estimateur naïf (plug-in),
- G-computation,
- estimateur one-step,
- TMLE.
Justifier brièvement le choix de ces estimateurs.

4. (Optionnel) Mise en place d’un algorithme de type Super Learning


Présenter le principe du Super Learning : combinaison de plusieurs algorithmes
d’apprentissage.
Cette étape est facultative mais valorisée. En cas de non-implémentation, le choix devra être
justifié.

5. Protocole de simulation
Définir le protocole expérimental :
- taille de l’échantillon n,
- nombre de répétitions B (50 ou 100).
À chaque répétition :
1) génération des données via LAW(),
2) calcul des estimateurs,
3) stockage des résultats.
6. Critères de comparaison des estimateurs
Définir les critères de performance utilisés pour la comparaison :
- biais empirique,
- variance,
- erreur quadratique moyenne (MSE).
Ces critères permettront une comparaison objective des estimateurs.

7. Analyse et visualisation des résultats


Présenter graphiquement et numériquement les résultats de la simulation :
- distributions empiriques des estimateurs,
- comparaison avec la valeur théorique de Ψ(P).
Interpréter les résultats obtenus.

8. Discussion et conclusion
Discuter les performances observées des estimateurs, leurs avantages et limites.
Conclure sur les enseignements principaux de l’étude et le lien avec le cours.

Vous aimerez peut-être aussi