Chapitre D'ouvrage Année : 2022

Sélection de variables dans le modèle linéaire général en grande dimension : application à des approches ``multi-omiques'' pour l'étude de la qualité des graines

Résumé

Les données "-omiques" sont caractérisées par la présence d'une forte structure de dépendance qui résulte souvent de processus biologiques. Appliquer des méthodes de sélection de variables qui ne tiennent pas compte de cette structure de dépendance sousjacente peut conduire à la sélection de variables non pertinentes. Le but de ce chapitre est de proposer une nouvelle méthode de sélection de variables dans le modèle linéaire général qui tienne compte de la dépendance pouvant exister entre les colonnes de la matrice d'observations correspondant ici aux variables. Nous montrons que le fait d'inclure l'estimation de la matrice de covariance des observations dans le critère LASSO améliore nettement les performances de la sélection de variables. Nous avons implémenté notre méthode dans le package R MultiVarSel qui est disponible sur le CRAN (Comprehensive R Archive Network) et nous l'avons appliquée à des données "-omiques" pour étudier la qualité des graines.

Fichier principal
Vignette du fichier
perrot_levy_rajjou_revision_finale.pdf (739.48 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-04224673 , version 1 (02-10-2023)

Licence

Identifiants

  • HAL Id : hal-04224673 , version 1

Citer

Marie Perrot-Dockès, Céline Lévy-Leduc, Gwendal Cueff, Loïc Rajjou. Sélection de variables dans le modèle linéaire général en grande dimension : application à des approches ``multi-omiques'' pour l'étude de la qualité des graines. Intégration de données biologiques approches informatiques et statistiques, 2022, ISBN 9781789480306. ⟨hal-04224673⟩
219 Consultations
217 Téléchargements

Partager

  • More