Modèles de classification non supervisée avec données manquantes non au hasard - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2019

Modèles de classification non supervisée avec données manquantes non au hasard

Résumé

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.
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.
Fichier principal
Vignette du fichier
subm82.pdf (134.12 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02398984 , version 1 (08-12-2019)

Identifiants

  • HAL Id : hal-02398984 , version 1

Citer

Fabien Laporte, Christophe Biernacki, Gilles Celeux, Julie Josse. Modèles de classification non supervisée avec données manquantes non au hasard. JdS 2019 - 51e journées de statistique de la Sfds, Jun 2019, Nancy, France. ⟨hal-02398984⟩
151 Consultations
46 Téléchargements

Partager

Gmail Facebook X LinkedIn More