Exposé
Exposé
Exposé
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Agrégation séquentielle de prédicteurs<br />
Applications à des données réelles<br />
Deux familles d’algorithmes d’agrégation séquentielle<br />
Travaux récents et perspectives<br />
Exponentielle des gradients<br />
Une pondération exponentielle sans gradients<br />
La régression ridge<br />
Soit un ensemble convexe de prédictions X , l’espace des<br />
observations Y et une fonction de perte convexe ℓ : X × Y → R.<br />
L’algorithme eg choisit successivement des combinaisons convexes<br />
p1, p2, . . . des prédictions des experts et ses pertes sont données par<br />
⎛<br />
⎞<br />
N<br />
ℓt(pt) = ℓ ⎝<br />
⎠<br />
j=1<br />
pj,t fj,t, yt<br />
Chaque pt ne dépend que des (gradients des) pertes passées,<br />
p1 = 1/N, . . . , 1/N <br />
et la j-ième composante de pt est définie, pour t 2, par une<br />
pondération exponentielle,<br />
<br />
exp −η<br />
pj,t =<br />
<br />
t−1<br />
s=1 ∇ <br />
ℓs(ps)<br />
j<br />
<br />
∇ <br />
ℓs(ps)<br />
N<br />
i=1 exp<br />
−η t−1<br />
s=1<br />
i<br />
Gilles Stoltz Prédiction avec experts