Contributions of statistical learning to GLMM and LASSO methods: Application to statistical modeling of malaria morbidity at Tori-Bossito (Benin) - Archive ouverte HAL Access content directly
Theses Year : 2018

Contributions of statistical learning to GLMM and LASSO methods: Application to statistical modeling of malaria morbidity at Tori-Bossito (Benin)

Contributions de l'apprentissage statistique aux méthodes GLMM et LASSO: Application à la modélisation statistique de la morbidité liée au paludisme à Tori-Bossito (Bénin)

(1, 2)
1
2

Abstract

The subject of this Thesis is the identification of environmental factors that may explain the variability of anopheline density at village and home scale and the determination malaria risk exposure in the study area. We consider these problems as variables selection and prediction problems in epidemiology context. Then, the main objective is the selection of an optimal subset of variables for the prediction of malaria risk exposure in the study area and also in an other area where the entomological data are not available. In the first part of the Thesis, we propose one method based on GLMM algorithm combined with a backward process for variables selection. Random effects are used at each hierarchy level of data for taking account the possible correlation because of the hierarchical structure of the data. This method provides an optimal subset of variables for prediction of malaria risk. But algorithm do not converge when some explanatory variables are too correlated or if data have a particular structure. For overcoming this, we propose in the second part an automatic machine learning method. We have generated automatically interactions between variables. The variables selection is performed by this automatic machine learning method based on Lasso and stratified two levels cross validation. Selected variables are debiased while the prediction is generated by simple GLM (Generalized linear model). The results of this method reveal to be qualitatively better, at selection, the prediction, and the CPU time point of view than those obtained in the first part. %In the third part of this work, we propose a second automatic machine learning method. %This method combines regression trees, random forest and stratified cross validation with two levels. %The minimum threshold of variables importance is accessed using the quadratic distance of variables importance while %the optimal subset of selected variables is used to perform predictions. %The results reveal to be qualitatively better, at the %selection, the prediction, %and the CPU time point of view than those obtained in the second part. Finally, the best subset of prediction contains : Season; interaction between Mean rainfall and openings; interaction between Rainy days before mission and Number of inhabitants; interaction between Rainy days during the mission and Vegetation.
L'objectif principal de cette thèse est la détermination des facteurs environnementaux pouvant expliquer la variabilité de la densité anophélienne et la prédiction du risque d'exposition au vecteur palustre au niveau village et maison de la zone de Tori-Bossito. Dans ce travail, nous avons considéré ces deux problèmes comme des problèmes de séection de variables et de prédiction dans le contexte épidémiologique. L'objectif principal est alors de sélectionner un sous ensemble optimal de variables pertinentes pour la prédiction du risque d'exposition au vecteur palustre dans le milieu d'étude ainsi que dans un autre milieu où les données entomologiques ne sont pas disponibles. Dans la première partie de cette Thèse, nous avons proposé une méthode basée sur un algorithme de type GLMM combiné avec une sélection de variables de type backward. Des effets aléatoires ont été mis au niveau de chaque hiérarchie des données pour prendre en compte les possibles corrélations à cause de la structure hiérarchique des données. Les résultats ont permis de déterminer un sous ensemble optimal pour la prédiction du risque palustre. Ces algorithmes deviennent non convergents lorsque les données possèdent une structure particulière ou sont très correlées. Dans la seconde partie de cette Thèse, nous avons donc proposé une méthode d'apprentissage machine automatique. Cette méthode combine le GLM, le Lasso et une validation croisée stratifiée à deux niveaux. Nous avons généré automatiquement les interactions entre les variables. La sélection de variables a été faite par la combinaison GLM, Lasso et validation croisée. Les variables sélectionnées sont débiaisées par le GLM pour faire de la prédiction. Les résultats obtenus montrent que les pré-traitements effectués par les experts sur les données peuvent être surmontés. Aussi, ces résultats montrent une amélioration au niveau de la sélection, de la sparsité du sous ensemble optimal pour la prédiction, la qualité des prédictions et le temps CPU d'exécution des calculs. %Dans la troisième partie de cette Thèse, nous avons proposé une autre méthode %d'apprentissage machine automatique %basée sur les arbres de régression et les forêts %aléatoires combinés avec la %validation croisée stratifiée à deux niveaux. %Cet algorithme utilise un seuil minimum d'importance de variables déterminé par la distance quadratique %entre les importances de variables, %et la fréquence d'importance de %ces variables. % Les résultats obtenus montrent une nouvelle %amélioration au niveau de la %sparsité du sous ensemble optimal pour la prédiction, %la qualité des prédicteurs et des prédictions ainsi %que la vitesse d'exécution des calculs. Finalement, le meilleur sous ensemble de prédiction comporte Saison, interaction entre Quantité moyenne de pluie et Ouvertures, interaction entre Jours de pluie avant la mission et Nombre d'habitants, interaction entre Jours de pluie pendant la mission et Végétation.
Fichier principal
Vignette du fichier
KOUWAYE_these.pdf (2.34 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

tel-01736933 , version 1 (18-03-2018)

Identifiers

  • HAL Id : tel-01736933 , version 1

Cite

Bienvenue Kouwaye. Contributions de l'apprentissage statistique aux méthodes GLMM et LASSO: Application à la modélisation statistique de la morbidité liée au paludisme à Tori-Bossito (Bénin). Statistiques [math.ST]. Université d'Abomey-Calavi (Bénin), 2018. Français. ⟨NNT : ⟩. ⟨tel-01736933⟩
307 View
266 Download

Share

Gmail Facebook Twitter LinkedIn More