Sélection supervisée d’attributs en haute dimension via l’approximation de Kirkwood
Résumé
Nous nous intéressons au problème de la sélection supervisée d’attributs, l’objectif étant de sélectionner séquentiellement et par ordre de pertinence les attributs permettant d’expliquer l’appartenance d’une observation à une classe particulière. Nous proposons une nouvelle technique de sélection séquentielle supervisée de type filtre, basée sur la maximisation de l’information mutuelle entre la vérité de terrain et les données multidimensionnelles. Cette technique s’appuie sur l’approximation de superposition de Kirkwood, qui permet d’appréhender le conditionnement multivarié nécessaire pour prendre en compte l’historique du processus de sélection. Nous illustrons la pertinence de notre approche par comparaison avec quelques méthodes similaires pour la classification supervisée, notamment en imagerie hyperspectrale.