Abstract FR:

Le theme du present travail est l'exploitation extensive de la parametrisation de banfield et raftery (1993), d'une part dans le cadre de la regularisation en discrimination, et d'autre part dans le cadre de la classification bayesienne. Friedman (1989) a propose une technique de regularisation (r. D. A. ) en discrimination sous hypotheses de normalite, qui est efficace mais qui a l'inconvenient de proposer des regles de decision opaques et difficiles a interpreter. Grace a la decomposition spectrale des matrices variance, nous proposons 14 modeles de discrimination. De la sorte, on propose une modelisation complete des schemas de regularisation et on selectionne le meilleur modele comme etant celui qui minimise le taux d'erreur de classement evalue par validation croisee. En classification, notre contribution est d'integrer la prise en compte de la decomposition spectrale des matrices variance des composants des melanges gaussiens consideres. De la meme facon que pour la discrimination, nous proposons differents modeles. Suivant le chemin trace par diebolt et robert (1994), nous utilisons l'echantillonnage de gibbs pour estimer les parametres, et nous le combinons avec les facteurs de bayes pour trouver le meilleur modele et evaluer le nombre de composantes