Random forest based estimation of Quantile Oriented Global Sensitivity Analysis measure
Estimation basée sur la forêt aléatoire de la mesure d'analyse de sensibilité globale orientée quantile
Résumé
This thesis is devoted to the estimation and application of Quantile-Oriented Sensitivity Analysis (QOSA) measures, including the first-order QOSA indices, the total QOSA indices, and the Quantile-Oriented Shapley Effects (QOSE) indices, which provide a natural and interpretable extension when input variables are dependent. Compared with variance-based measures, QOSA indices are both more robust and more informative, as they capture distributional features beyond variance. Our first contribution is the development of a new quantile-oriented random forest, which achieves performance comparable to other state-of-the-art random forest approaches for quantile regression. Building on this tool, we integrate the projected algorithm to estimate conditional quantiles given a subset of inputs. This enables the estimation of QOSA indices through a straightforward plug-in procedure. We establish consistency results for the conditional quantile estimators and three type QOSA indices. The final part of the thesis focuses on the application of QOSE in meteorology. We demonstrate that QOSE indices can effectively identify and rank the most influential input variables, thereby offering practical guidance for model simplification and for allocating computational resources more efficiently.
Cette thèse est consacrée à l'estimation et à l'application des mesures d'analyse de sensibilité orientée quantile (QOSA), incluant les indices QOSA de premier ordre, les indices QOSA totaux et les indices d'effets Shapley orientés quantile (QOSE). Ces mesures offrent une extension naturelle et interprétable lorsque les variables d'entrée sont dépendantes. Comparés aux mesures basées sur la variance, les indices QOSA sont à la fois plus robustes et plus informatifs, car ils capturent les caractéristiques distributionnelles au-delà de la variance. Notre première contribution est le développement d'une nouvelle forêt aléatoire orientée quantile, dont les performances sont comparables à celles des autres approches de pointe en matière de régression quantile. En nous appuyant sur cet outil, nous intégrons l'algorithme projeté pour estimer les quantiles conditionnels à partir d'un sous-ensemble d'entrées. Ceci permet l'estimation des indices QOSA grâce à une procédure simple de plug-in. Nous établissons des résultats de consistance pour les estimateurs de quantiles conditionnels et trois indices QOSA de type. La dernière partie de la thèse porte sur l'application de la QOSE en météorologie. Nous démontrons que les indices QOSE peuvent identifier et classer efficacement les variables d’entrée les plus influentes, offrant ainsi des conseils pratiques pour la simplification des modèles et pour l’allocation plus efficace des ressources de calcul.
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |
