Académique Documents
Professionnel Documents
Culture Documents
Principe
Code en python
Code en R
conclusion
DEHMANE Malak
LACHGER Abderrazzak
AHMITO Meriem
AKIL Hajar
RAJAFALLAH Mouhcine
ENSAM-Casablanca
Table de Matières
1 Introduction
2 Principe
3 Code en python
4 Code en R
5 conclusion
2 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Table of Contents
1 Introduction
2 Principe
3 Code en python
4 Code en R
5 conclusion
3 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Introduction
Au lieu de fixer des paramètres spécifiques pour décrire la
distribution des données, l’estimation non paramétrique utilise des
techniques plus flexibles qui s’adaptent aux données elles-mêmes,
comme l’exemple de l’estimation par noyau gaussien.
4 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Table of Contents
1 Introduction
2 Principe
3 Code en python
4 Code en R
5 conclusion
5 / 22
Introduction
Principe
Code en python
Code en R
conclusion
KDE
Définition
the kernel density estimation (KDE) est une méthode non
paramétrique utilisée pour estimer la densité de probabilité d’une
variable aléatoire. L’estimation de la densité est obtenue en
superposant des fonctions noyaux (ou kernels) centrées sur chaque
point de données, puis en les pondérant pour obtenir une
estimation continue
propriétés
la fonction Kernel doit être positive, symétrique,décroissante
6 / 22
Introduction
Principe
Code en python
Code en R
conclusion
KDE
idée du principe
Le principe de la Kernel Density Estimation (KDE) repose sur la
construction d’une estimation continue de la densité de probabilité
d’une variable aléatoire à partir d’un ensemble fini d’observations
en utilisant cette formule :
n
1 X x − Xi
fˆ(x) = K
n·h h
i=1
Où :
fˆ(x) est l’estimation de la densité de probabilité à
l’emplacement x.
K est une fonction noyau.
h est la largeur de la bande. 7 / 22
Introduction
Principe
Code en python
Code en R
conclusion
8 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Choix de la bande h
Le choix de la largeur de bande a une influence significative sur la
fonction (KDE). La largeur de bande h contrôle le degré de lissage
de l’estimation de la densité. Une valeur plus grande de h produit
une estimation plus lisse, tandis qu’une valeur plus petite de h
donne une estimation plus granulaire avec plus de détails. Cela
signifie qu’une large valeur de h rendra la fonction de densité
estimée plus ”plate” et moins sensible aux variations locales des
données, tandis qu’une petite valeur de h la rendra plus ”pointue”
et plus sensible aux fluctuations des données.
8 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Définition de la MISE
La Mean Integrated Squared Error (MISE) est une mesure
couramment utilisée pour évaluer la performance de la Kernel
Density Estimation (KDE) et pour choisir la largeur de bande
optimale h par validation croisée. La formule de la MISE est la
suivante :
Z 2
MISE(h) = fˆ(x) − f (x) dx
Où :
fˆ(x) est l’estimation de la densité de probabilité.
f (x) est la vraie densité de probabilité sous-jacente.
9 / 22
Introduction
Principe
Code en python
Code en R
conclusion
10 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Problème
11 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Règle de Silverman
Où :
n est le nombre d’observations dans l’échantillon.
σ est l’écart-type des données.
12 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Table of Contents
1 Introduction
2 Principe
3 Code en python
4 Code en R
5 conclusion
13 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Remark
Sample text
14 / 22
Introduction
Principe
Code en python
Code en R
conclusion
import numpy as np
import matplotlib . pyplot as plt
15 / 22
Introduction
Principe
Code en python
Code en R
conclusion
bandwidth = 2
16 / 22
Introduction
Principe
Code en python
Code en R
conclusion
17 / 22
Introduction
Principe
Code en python
Code en R
conclusion
18 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Explication de code
19 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Table of Contents
1 Introduction
2 Principe
3 Code en python
4 Code en R
5 conclusion
20 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Exemple de code R
21 / 22
Introduction
Principe
Code en python
Code en R
conclusion
Table of Contents
1 Introduction
2 Principe
3 Code en python
4 Code en R
5 conclusion
22 / 22
Introduction
Principe
Code en python
Code en R
conclusion
conclusion
22 / 22