Classification de données fonctionnelles par décomposition de mélange : Apports de la visualisation dans le cas des distributions de probabilité

Etienne Cuvelier (1) , Monique Noirhomme-Fraiture (1)

1 Pôle interface homme/machine et communication par multimédia, Fécultés Universtitaires Notre-Dame de la Paix

Functional data can come from repeated measures, but also as result of statistical analysis. In symbolic data analysis a symbolic object can be described with a probability distribution. The clustering of such objects can be performed using a mixture decomposition with archimedean copulas on values of the distributions computed in q points, named intersection points. So far this points were chosen randomly. In this paper, using visualizations, we try, empirically, to understand what is the best choice for the number and the location of these intersections points. We propose also some rules to choose this parameter of the classification.

Mots clés: Symbolic Data Analysis; Functional Data Analysis; Probability Distributions; Archimedean Copulas

Domaines: Machine Learning [stat.ML]

Etienne Cuvelier, Monique Noirhomme-Fraiture. Classification de données fonctionnelles par décomposition de mélange : Apports de la visualisation dans le cas des distributions de probabilité. Revue des Sciences et Technologies de l'Information - Série RIA : Revue d'Intelligence Artificielle, 2008, 22 (3-4), pp.421-442. ⟨10.3166/ria.22.421-442⟩. ⟨hal-00701205⟩