“Une nouvelle pénalisation pour l’apprentissage supervisé linéaire dans le cadre de transformations de variables continues en variables ordinales : la binarsité”

Cette présentation considère des modèles d’apprentissage linéaire (comme les modèles linéaires généralisés). Pour tenir compte des non-linéarités potentielles des variables continues, il est possible de discrétiser ces variables et de les transformer en variables ordinales. Trois problèmes apparaissent :
i) la matrice des variables explicatives n’est plus de plein rang,
ii) le choix du nombre de modalités est difficile et peut conduire à de l’overfitting,
iii) certaines modalités deviennent non-informatives et peuvent conduire à rendre le modèle « sparse ».
L’exposé présentera une nouvelle pénalisation concurrente de la pénalisation L1 habituellement utilisée. Des expériences numériques illustreront les très bonnes performances de cette nouvelle approche sur plusieurs jeux de données.