Assas Recherche | Estimation non-paramétrique du quantile conditionnel et apprentissage semi-paramétrique : applications en assurance et actuariat

Estimation non-paramétrique du quantile conditionnel et apprentissage semi-paramétrique : applications en assurance et actuariat (Document en Français)

Accès au(x) document(s)

Accéder au(x) document(s) :

http://theses.univ-poitiers.fr/57656/2015-Knefati-Muhammad-Anas-These

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Version :

Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).

Informations sur les contributeurs

Auteur : Knefati Muhammad Anas

Knefati, Muhammad Anas

Nom

Knefati

Prénom

Muhammad Anas

Nationalité

Date de soutenance : 19-11-2015

Directeur(s) de thèse : Beninel Farid

Beninel, Farid

Nom

Beninel

Prénom

Farid

Etablissement de soutenance : Poitiers

Poitiers

Nom

Poitiers

Laboratoire : Laboratoire de mathématiques et applications (Poitiers ; 2000-...)

Laboratoire de mathématiques et applications (Poitiers ; 2000-...)

Nom

Laboratoire de mathématiques et applications (Poitiers ; 2000-...)

Ecole doctorale : École doctorale Sciences et ingénierie pour l'information, mathématiques (Limoges ; 2009-2018)

École doctorale Sciences et ingénierie pour l'information, mathématiques (Limoges ; 2009-2018)

Nom

École doctorale Sciences et ingénierie pour l'information, mathématiques (Limoges ; 2009-2018)

Informations générales

Discipline : Mathématiques et applications
Classification : Mathématiques

Mots-clés libres : Régression non-Paramétrique, Quantile, Estimation non-Paramétrique du quantile conditionnel, Paramètre de lissage, Apprentissage statistique, Classification supervisée, Modèles à score unique
Mots-clés :

Statistique non paramétrique -- Théorie asymptotique
Statistique semi-paramétrique
Estimation de paramètres
Analyse discriminante
Lissage (statistique)

Résumé : La thèse se compose de deux parties : une partie consacrée à l'estimation des quantiles conditionnels et une autre à l'apprentissage supervisé. La partie "Estimation des quantiles conditionnels" est organisée en 3 chapitres : Le chapitre 1 est consacré à une introduction sur la régression linéaire locale, présentant les méthodes les plus utilisées, pour estimer le paramètre de lissage. Le chapitre 2 traite des méthodes existantes d’estimation nonparamétriques du quantile conditionnel ; Ces méthodes sont comparées, au moyen d’expériences numériques sur des données simulées et des données réelles. Le chapitre 3 est consacré à un nouvel estimateur du quantile conditionnel et que nous proposons ; Cet estimateur repose sur l'utilisation d'un noyau asymétrique en x. Sous certaines hypothèses, notre estimateur s'avère plus performant que les estimateurs usuels.
La partie "Apprentissage supervisé" est, elle aussi, composée de 3 chapitres : Le chapitre 4 est une introduction à l’apprentissage statistique et les notions de base utilisées, dans cette partie. Le chapitre 5 est une revue des méthodes conventionnelles de classification supervisée. Le chapitre 6 est consacré au transfert d'un modèle d'apprentissage semi-paramétrique. La performance de cette méthode est montrée par des expériences numériques sur des données morphométriques et des données de credit-scoring.

Informations techniques

Type de contenu : Text, Image, StillImage
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2015POIT2280
Type de ressource : Thèse