Régression Logistique Parcimonieuse

Prix du meilleur article de recherche CAP 2007, décerné par l'AFIA, Association Française pour l'Intelligence Artificielle avec le support de SPSSInternational audienceLes résultats retournés par les séparateurs à vaste marge sont souvent utilisés comme mesures de confiance pour la classification de nouveaux exemples. Cependant, il n'y a pas de fondement théorique à cette pratique. C'est pourquoi, lorsque l'incertitude de classification doit être estimée, il est plus sûr d'avoir recours à des classifieurs qui estiment les probabilités conditionnelles des classes. Ici, nous nous concentrons sur l'ambiguïté à proximité de la frontière de décision. Nous proposons une adaptation de l'estimation par maximum de vraisemblance, appliquée à la régression logistique. Le critère proposé vise à estimer les probabilités conditionnelles, de manière précise à l'intérieur d'un intervalle défini par l'utilisateur, et moins précise ailleurs. Le modèle est aussi parcimonieux, dans le sens où peu d'exemples contribuent à la solution. L'efficacité du calcul est ainsi améliorée par rapport à la régression logistique. De plus, nos premières expériences montrent une amélioration des performances par rapport à la régression logistique standard, avec des performances similaires à celles des séparateurs à vaste marge