Sélection de modèles à l’aide des chemins de régularisation pour l’objectivation mono et multi-prestations : application à l’agrément de conduite.

par Jean-François Germain

Thèse de doctorat en Signal et images

Sous la direction de François Roueff.

Soutenue en 2008

à Paris, ENST .


  • Résumé

    The thesis, in cooperation with the french car maker RENAULT, is about prestations’ objectivation. In the automotive field, a “prestation” is an item on which the customer has a subjective evaluation. The goal of our methodology is the following: define which physical variables explain this subjective answer. In this context of variable selection, we propose a method inspired by recent works about the well-known and widespread Lasso method. The Lasso method is the name given to the L1-penalized version of the least squares estimation problem (addition of constant times of coefficients L1 norm). We develop an algorithm for the calculation of this path in the L1-penalized logistic regression case. Instead of answering this (difficult and unsolved) problem of selecting the regularization constant, we propose to build from the regularization path a growing collection of models and to select the best model thanks to the Bayesian Information Criterion (BIC). We notice that engineers take a great interest in the reading of the regularization path itself. That’s why we also propose to study the asymptotic behavior of the path as a function of the regularization “constant”. The combination of building the path and using it, through the growing models collection, for selecting the model maximizing the BIC has been implemented and is used as an internal software by RENAULT engineers. Another RENAULT expectation involves the processing of multiple subjective simultaneous answers: we call it “the multi-prestations case”. We also present an adaptation of the tool we developed for handling this case.

  • Titre traduit

    Model selection through regularization paths for the objectivation of mono / multi subjective evaluations : applications to driving pleasure


  • Résumé

    La thèse, menée en convention CIFRE avec RENAULT, traite de l'objectivation des prestations. Dans le domaine de l'automobile, on appelle « prestation » ce sur quoi le client s'exprime subjectivement. Le but de la méthodologie est de déterminer quelles sont les variables physiques qui expliquent cette réponse subjective. Dans ce contexte de sélection de variables, nous avons proposé une méthode inspirée des récents travaux autour de la méthode populaire du Lasso. Le Lasso est le nom donné au problème d'estimation des moindres carrés dans leur version pénalisée L1 (ajout d'une constante fois la norme L1 des coefficients). Nous avons développé un algorithme de calcul de ce chemin dans le cas de la régression logistique avec pénalisation L1. Au lieu de répondre au problème (difficile et non résolu) du choix de la constante de régularisation, on propose de construire à partir du chemin de régularisation une suite croissante de modèles et ensuite de sélectionner le meilleur modèle via le critère BIC. On a remarqué que la lecture du chemin de régularisation intéresse en lui-même les ingénieurs métier. C'est pourquoi on se propose également d'étudier le comportement asymptotique du chemin en tant que fonction de la « constante » de régularisation. Cet outil de construction du chemin et sélection via critère BIC a par ailleurs été implémenté et est utilisé en interne chez RENAULT. Une autre attente de RENAULT est de pouvoir traiter le cas où il n'y a plus une réponse subjective mais plusieurs réponses à analyser simultanément : c'est le cas de la multi-prestations. On se propose donc également d'adapter l'outil que nous avons développé pour pouvoir répondre à cette problématique.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (177 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : 53 réf. bibliogr. Résumé en français et en anglais

Où se trouve cette thèse ?

  • Bibliothèque : Télécom ParisTech. Bibliothèque scientifique et technique.
  • Disponible pour le PEB
  • Cote : 1.84 GERM
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.