Error rates; Misclassification; Linear discriminant function; Bootstrap; Jackknife; Crossvalidation; Monte Carlo; Taux d'erreur; Classement erroné; Fonction discriminante linéaire; Validation croisée
Abstract :
[en] Monte Carlo experiments are performed to compare twenty estimators or error rates in discriminant analysis in the case of two populations and linear classification rule. Several distributions (normal, chi-square and beta) have been considered. Estimators eOS (for actual and expected error rate) and eB (for optimal error rate) are the best, except for distributions very different from normal distributions. The e632 estimator is the best non parametric estimator. This estimator is better than parmetric estimators for distributions very different from normal distributions. [fr] A partir de ces simulations, on compare les performances de vingt estimateurs des taux d'erreur en analyse discriminante, dans le cas de deux populations et pour la règle de discrimination linéaire. Différentes distributions (normale, chi-2 et bêta) ont été considérées. On conclut que l'estimateur eOS (pour le taux réel et le taux attendu) et eB (pour le taux optimal) sont les estimateurs les meilleurs, sauf pour des distributions s'écartant très nettement des populations normales. L'estimateur e632 est le meilleur estimateur non paramétrique. Il est préférable aux estimateurs paramétriques si les distributions sont très différentes des distributions normales.
Disciplines :
Mathematics
Author, co-author :
Glele Kakai, R.
Piraux, F.
Fonton, N. H.
Palm, Rodolphe ; Faculté Universitaire des Sciences Agronomiques de Gembloux - FUSAGx > Sciences agronomiques > Statistique, Informatique et Mathématique appliquées
Language :
French
Title :
Comparaison empirique des estimateurs des taux d'erreur en analyse discriminante
