Etude expérimentale de la robustesse des techniques linéaire et quadratique de régression floue
Résumé
Deux approches principales de régression floue se dégagent classiquement : l'une utilisant un critère linéaire et l'autre un critère quadratique. Nous optimisons ces deux types de critères dans un contexte de programmation sous contraintes garantissant l'obtention d'un modèle enveloppant toutes les données d'apprentissage. L'influence de l'ensemble d'apprentissage sur les modèles identifiés est étudiée expérimentalement afin de qualifier la robustesse des critères exploités. Cette étude met en évidence l'intérêt d'une spécification d'un critère indépendant des données. Dans ce contexte, nous proposons un nouveau critère représentant la dispersion globale du modèle recherché via son volume.