FEMDA: Une méthode de classification robuste et flexible
Résumé
Linear and Quadratic Discriminant Analysis (LDA and QDA) are well-known classical methods but can heavily suffer from non-Gaussian distributions and/or contaminated datasets, mainly because of the underlying Gaussian assumption that is not robust. This paper studies the robustness to scale changes in the data of a new discriminant analysis technique where each data point is drawn by its own arbitrary Elliptically Symmetrical (ES) distribution and its own arbitrary scale parameter. Such a model allows for possibly very heterogeneous, independent but non-identically distributed samples. The new decision rule derived is simple, fast, and robust to scale changes in the data compared to other state-of-the-art method
-L'analyse discriminante quadratique (QDA) est une méthode de classification qui suppose que les données sont issues de distributions gaussiennes. Cette hypothèse la rend peu robuste aux données bruitées. Le but de cet article est d'étudier la robustesse aux changements d'échelle dans les données d'une nouvelle méthode d'analyse discriminante où chaque point est modélisé par sa propre distribution elliptique symétrique avec son propre facteur d'échelle. Une telle modélisation fournit une grande flexibilité pour traiter des données hétérogènes et non identiquement distribuées. Cette nouvelle méthode s'avère plus robuste aux changements d'échelle dans les données que les autres méthodes de l'état de l'art.
Domaines
Mathématiques [math]
Origine : Fichiers produits par l'(les) auteur(s)